Ponderações e vieses

A Weights & Biases (W&B) é uma plataforma líder de operações de aprendizagem automática (MLOps) concebida para ajudar os programadores e as equipas a criarem melhores modelos mais rapidamente. Fornece um conjunto de ferramentas para o controlo de experiências, versões de conjuntos de dados e gestão de modelos, simplificando todo o ciclo de vida da aprendizagem automática, desde a formação até à produção. Ao centralizar informações cruciais, o W&B permite uma colaboração melhorada, reprodutibilidade e perceção do desempenho do modelo. É uma ferramenta essencial para projectos que envolvem desenvolvimento iterativo, como a afinação de hiperparâmetros e a otimização do desempenho. Pode aprender a integrar o W&B nos seus projectos Ultralytics na documentação oficial.

Funcionalidades principais das ponderações e desvios

A plataforma W&B oferece várias caraterísticas-chave que abordam desafios comuns no desenvolvimento da IA:

• Acompanhamento de experiências: Registe automaticamente os hiperparâmetros, as métricas de desempenho, como a precisão e a recuperação, e as métricas do sistema, como a utilização da GPU. Isso permite que os desenvolvedores comparem facilmente diferentes execuções de treinamento e entendam o impacto das alterações de código ou dados. Para obter mais informações, pode explorar guias sobre o seguimento de experiências de ML.
• Artefactos para controlo de versões: Os artefactos W&B fornecem um controlo de versões robusto para conjuntos de dados e pesos de modelos. Isto assegura que todos os resultados são reproduzíveis, capturando o código, os dados e a configuração exactos utilizados, o que é fundamental tanto para a investigação como para a implementação de modelos comerciais. Pode ler mais sobre este assunto na documentação oficial do W&B Artifacts.
• Visualização interactiva: A plataforma inclui dashboards poderosos e interactivos para visualização de resultados. Os utilizadores podem criar gráficos personalizados, analisar mapas de caraterísticas e depurar o comportamento do modelo, inspeccionando resultados como caixas delimitadoras ou máscaras de imagem em tempo real.
• Colaboração e relatórios: A W&B facilita o trabalho em equipa, permitindo aos utilizadores partilhar projectos, comparar resultados e criar relatórios detalhados. Estes relatórios W&B podem combinar visualizações, texto e código para documentar os resultados e partilhar conhecimentos numa organização.

W&B a Plataforma vs. Pesos e Vieses os Conceitos

É importante distinguir entre a plataforma "Pesos & Vieses" e os conceitos fundamentais de "pesos" e "vieses" nas redes neuronais (NN).

• Pesos e desvios (conceitos): Estes são os principais parâmetros aprendíveis de um modelo. Os pesos do modelo determinam a força da ligação entre os neurónios, enquanto os enviesamentos são parâmetros adicionais que alteram a saída da função de ativação. Durante o treinamento, esses valores são ajustados através de processos como o backpropagation para minimizar a função de perda.
• Pesos e vieses (plataforma): Esta é a ferramenta MLOps que ajuda a gerenciar o processo de encontrar os valores ideais para os pesos e vieses de um modelo. Ela não substitui estruturas como PyTorch ou TensorFlow, mas se integra a elas para rastrear e visualizar o processo de treinamento.

Essencialmente, a plataforma W&B fornece a infraestrutura para monitorizar e organizar as experiências que produzem os pesos e enviesamentos óptimos de um modelo.

Aplicações do mundo real de pesos e vieses

A W&B é amplamente utilizada em vários sectores para melhorar os processos de desenvolvimento da aprendizagem automática.

1. Desenvolvimento de modelos de visão por computador: Uma equipa que treina um modelo Ultralytics YOLOv8 para deteção de objectos em veículos autónomos pode utilizar o W&B para registar execuções de treino com diferentes estratégias de aumento de dados ou arquitecturas de backbone. Eles podem visualizar o impacto nas métricas de desempenho em conjuntos de dados como o Argoverse, comparar resultados no painel do W&B e criar uma versão dos pesos do modelo de melhor desempenho usando artefatos para implantação posterior. Leia mais sobre os benefícios desta integração no nosso blogue sobre como potenciar o Ultralytics com Weights & Biases.
2. Análise de imagens médicas: Os investigadores que efectuam análises de imagens médicas para detetar doenças, por exemplo, utilizando um modelo treinado no conjunto de dados Brain Tumor, podem tirar partido do W&B. Podem acompanhar experiências que envolvam o ajuste fino de modelos pré-treinados, visualizar máscaras de segmentação ou precisão de classificação e colaborar através da partilha de relatórios detalhados. Isto garante a transparência e a reprodutibilidade, o que é crucial em aplicações sensíveis e está em conformidade com os objectivos da IA explicável (XAI).