Weights & Biases

A Weights & Biases (W&B, ou wandb, nome do pacote Python) é uma plataforma para desenvolvedores voltada a operações de aprendizado de máquina (MLOps), que registra, visualiza e compara execuções de treinamento de modelos. Algumas linhas em um script de treinamento em PyTorch ou em outra plataforma enviam ao painel hospedado a configuração de cada execução, como a taxa de aprendizado e o tamanho do lote, junto com métricas, estatísticas da GPU e arquivos de saída. As equipes comparam experimentos, reproduzem resultados e rastreiam quais dados e configurações produziram um modelo. Além do acompanhamento de experimentos, a W&B oferece ajuste de hiperparâmetros, controle de versões de conjuntos de dados e modelos, um registro de modelos e, por meio do produto Weave, rastreamento e avaliação de aplicações de modelos de linguagem grandes (LLM). A CoreWeave, provedora de nuvem para GPUs, concluiu a aquisição da Weights & Biases em maio de 2025, e a documentação da W&B agora está no site de documentação da CoreWeave.

Principais recursos#

• Experimentos: wandb.init() inicia uma execução e armazena sua configuração, e wandb.log() registra métricas, imagens e tabelas em cada etapa. O SDK também coleta amostras de métricas do sistema, como utilização e memória da GPU, revelando gargalos no carregamento de dados.
• Varreduras: Buscas automatizadas de hiperparâmetros que usam métodos de grade, aleatórios ou bayesianos, com agentes que executam testes em paralelo em muitas máquinas e encerramento antecipado opcional de execuções com baixo desempenho.
• Artefatos: Conjuntos de dados, checkpoints de modelos e outros arquivos com controle de versões, além de gráficos de linhagem que mostram qual execução consumiu ou produziu cada versão.
• Registro: Um catálogo selecionado de versões aprovadas de modelos e conjuntos de dados que as equipes promovem para implantação.
• Relatórios: Documentos compartilháveis que combinam gráficos atualizados das execuções com análises por escrito.
• Weave: Rastreamento, avaliação e acompanhamento de custos de aplicações com LLMs e agentes.

Um sweep separa a busca do treinamento: um controlador mantém o estado da busca e propõe configurações, e qualquer número de agentes pode obtê-las, treinar e informar de volta a métrica-alvo.

Como usar a W&B com Ultralytics YOLO#

O Ultralytics YOLO inclui uma integração W&B incorporada, desativada por padrão. Depois de ativá-la nas configurações da Ultralytics, cada execução de treinamento registra a lista completa de argumentos, as perdas e taxas de aprendizado por época, métricas de validação como precisão, revocação e precisão média média (mAP), além dos gráficos salvos. No fim, carrega best.pt como artefato de modelo, junto com curvas interativas de precisão-revocação e confiança. Esses artefatos best.pt podem depois ser importados para a Ultralytics Platform para previsão, exportação ou implantação.

import os

from ultralytics import YOLO, settings

# Registre localmente sem uma chave de API; carregue depois com "wandb sync" ou execute "wandb login" e remova esta linha
os.environ["WANDB_MODE"] = "offline"

# Ative o callback integrado do W&B (requer "pip install wandb"; salvo no arquivo de configurações da Ultralytics)
settings.update({"wandb": True})

# project e name se tornam os nomes do projeto e da execução na W&B
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

As execuções de treinamento que compartilham project e diferem em name aparecem lado a lado em um único projeto da W&B, permitindo comparar em um mesmo painel execuções com tamanhos de modelo, tamanhos de imagem ou configurações de aumento de dados diferentes.

W&B e termos relacionados#

• Pesos e vieses do modelo: O nome da plataforma refere-se aos parâmetros ajustáveis de uma rede neural. Os pesos escalam as entradas de cada neurônio, os vieses deslocam sua saída antes da função de ativação, e a retropropagação atualiza ambos. A plataforma pode registrar suas distribuições e gradientes durante o treinamento.
• MLflow: Uma plataforma de código aberto para acompanhar, empacotar e registrar modelos, que as equipes costumam hospedar por conta própria. A W&B é principalmente um serviço gerenciado, com opções de hospedagem própria para empresas.
• TensorBoard: Uma ferramenta local para visualizar registros de treinamento de PyTorch e TensorFlow, sem os recursos de colaboração hospedada, sweeps ou registro da W&B.