Раскрываем потенциал Ultralytics с помощью Weights & Biases

Представляем еще один доклад с мероприятия YOLO Vision 2023 (YV23), прошедшего в кампусе Google for Startups в Мадриде. Доклад был посвящен операциям машинного обучения: Ultralytics и Weights & Biases вместе упрощают рабочие процессы обучения. Инженер по машинному обучению из Weights & Biases Сумик Ракшит показал, как легко управлять экспериментами и контрольными точками моделей, а также визуализировать результаты экспериментов.

Преимущества Weights & Biases: мечта разработчика#

Weights & Biases — платформа MLOps, созданная в первую очередь для разработчиков и предназначенная для отслеживания, сравнения и обмена результатами экспериментов в машинном обучении. Набор инструментов платформы помогает командам лучше понимать свои модели и совершенствовать их.

Интеграция Ultralytics с W&B#

В своем докладе Сумик рассказал о работе Weights & Biases по интеграции своих функций с Ultralytics YOLOv8, включая визуализацию результатов инференса при обнаружении объектов, и показал, как использовать эту интеграцию в собственных рабочих процессах Ultralytics.

От теории к практике: демонстрация в реальном времени#

Сумик разобрал полный рабочий процесс обнаружения объектов: использовал датасет, размещенный на Weights & Biases, и обучил модель с помощью Ultralytics, показав, как эти две платформы работают вместе.

Основные функции панели Weights & Biases#

Weights & Biases также поддерживает панель, на которой можно визуализировать график обучения и метрики. Вот некоторые ключевые функции:

• Отслеживание метрик в реальном времени: Следи за ключевыми показателями эффективности, такими как точность, функция потерь и результаты валидации, пока обучается модель глубокого обучения. Это позволяет своевременно вносить изменения и лучше понимать поведение модели.
• Оптимизация гиперпараметров: Используй автоматизированные инструменты или ручные методы, чтобы настраивать гиперпараметры, например скорость обучения, размер пакета и архитектуру сети, оптимизируя производительность модели и ее сходимость.
• Визуализация хода обучения: лучше изучи поведение модели, визуализируя ход обучения с помощью графиков, диаграмм и гистограмм. Это поможет понять динамику обучения, переобучение и характер сходимости.
• Мониторинг ресурсов: отслеживай вычислительные ресурсы, такие как CPU, GPU и память, во время обучения модели. Это помогает эффективно распределять ресурсы и предотвращать их нехватку, которая может замедлить обучение.

Подробное описание каждой функции смотри в разделе документации Ultralytics о панели Weights & Biases.

Подводя итоги#

Доклад Сумика показал, как отслеживание экспериментов с помощью Weights & Biases упрощает управление запусками обучения Ultralytics, их сравнение и совместное использование — независимо от того, опытный ты ML-инженер или только начинаешь работать с ИИ. Если ты уже отслеживаешь запуски YOLO в W&B, можешь также импортировать эти модели в Ultralytics Platform.

Смотри полное выступление на YouTube.