Khám phá các tích hợp theo dõi thí nghiệm ML của Ultralytics YOLOv8

Thu thập dữ liệu, gắn nhãn, và huấn luyện các model như model Ultralytics YOLOv8 là cốt lõi của bất kỳ dự án computer vision nào. Thông thường, bạn sẽ cần huấn luyện model tùy chỉnh của mình nhiều lần với các tham số khác nhau để tạo ra model tối ưu nhất. Sử dụng các công cụ để theo dõi các thử nghiệm huấn luyện có thể giúp việc quản lý dự án computer vision của bạn dễ dàng hơn một chút. Theo dõi thử nghiệm là quá trình ghi lại chi tiết của mỗi lần chạy huấn luyện - như các tham số bạn đã sử dụng, kết quả bạn đạt được và bất kỳ thay đổi nào bạn đã thực hiện trong quá trình này.

Hình 1. Một hình ảnh minh họa cách theo dõi thử nghiệm phù hợp với một dự án computer vision.

Việc ghi lại các chi tiết này giúp bạn tái lập kết quả, hiểu điều gì hiệu quả và điều gì không, đồng thời tinh chỉnh model hiệu quả hơn. Đối với các tổ chức, nó giúp duy trì sự nhất quán giữa các nhóm, thúc đẩy sự hợp tác và cung cấp dấu vết kiểm toán rõ ràng. Đối với cá nhân, đó là việc duy trì tài liệu rõ ràng và có tổ chức về công việc của bạn, cho phép bạn cải thiện phương pháp tiếp cận và đạt được kết quả tốt hơn theo thời gian.

Trong bài viết này, chúng tôi sẽ hướng dẫn bạn qua các tích hợp huấn luyện khác nhau có sẵn để quản lý và giám sát các thử nghiệm YOLOv8 của bạn. Cho dù bạn đang làm việc một mình hay là một phần của nhóm lớn hơn, việc hiểu và sử dụng đúng các công cụ theo dõi có thể tạo ra sự khác biệt thực sự cho sự thành công của các dự án YOLOv8 của bạn.

Link to this sectionTheo dõi thử nghiệm machine learning với MLflow#

MLflow là một nền tảng mã nguồn mở được phát triển bởi Databricks giúp quản lý toàn bộ vòng đời machine learning dễ dàng hơn. MLflow Tracking là một thành phần thiết yếu của MLflow cung cấp API và giao diện người dùng giúp các nhà khoa học dữ liệu và kỹ sư ghi nhật ký và trực quan hóa các thử nghiệm machine learning của họ. Nó hỗ trợ nhiều ngôn ngữ và giao diện, bao gồm Python, REST, Java và các API R.

MLflow Tracking tích hợp mượt mà với YOLOv8 và bạn có thể ghi nhật ký các chỉ số quan trọng như precision, recall và loss trực tiếp từ các model của mình. Thiết lập MLflow với YOLOv8 rất đơn giản và có các tùy chọn linh hoạt: bạn có thể sử dụng thiết lập localhost mặc định, kết nối với nhiều kho lưu trữ dữ liệu khác nhau hoặc khởi chạy một server theo dõi MLflow từ xa để giữ mọi thứ ngăn nắp.

Hình 2. Các thiết lập phổ biến cho môi trường theo dõi MLflow. Nguồn hình ảnh: theo dõi MLflow.

Dưới đây là một số thông tin giúp bạn quyết định liệu MLflow có phải là công cụ phù hợp cho dự án của bạn hay không:

• Khả năng mở rộng: MLflow có khả năng mở rộng tốt theo nhu cầu của bạn, cho dù bạn đang làm việc trên một máy đơn lẻ hay triển khai trên các cụm lớn. Nếu dự án của bạn liên quan đến việc mở rộng từ giai đoạn phát triển lên production, MLflow có thể hỗ trợ sự tăng trưởng này.
• Độ phức tạp của dự án: MLflow là lựa chọn lý tưởng cho các dự án phức tạp cần khả năng theo dõi kỹ lưỡng, quản lý model và các tính năng triển khai. Nếu dự án của bạn yêu cầu các tính năng quy mô đầy đủ này, MLflow có thể hợp lý hóa quy trình công việc của bạn.
• Thiết lập và bảo trì: Mặc dù mạnh mẽ, MLflow đi kèm với một lộ trình học tập và chi phí thiết lập ban đầu.

Link to this sectionSử dụng Weights & Biases (W&B) để theo dõi model computer vision#

Weights & Biases là một nền tảng MLOps để theo dõi, trực quan hóa và quản lý các thử nghiệm machine learning. Bằng cách sử dụng W&B với YOLOv8, bạn có thể giám sát hiệu suất của các model khi bạn huấn luyện và tinh chỉnh chúng. Bảng điều khiển tương tác của W&B cung cấp cái nhìn rõ ràng, theo thời gian thực về các chỉ số này và giúp dễ dàng phát hiện xu hướng, so sánh các biến thể model và khắc phục sự cố trong quá trình huấn luyện.

W&B tự động ghi nhật ký các chỉ số huấn luyện và điểm lưu model, và bạn thậm chí có thể sử dụng nó để tinh chỉnh hyperparameter như tốc độ học (learning rate) và kích thước lô (batch size). Nền tảng này hỗ trợ nhiều tùy chọn thiết lập, từ theo dõi các lần chạy trên máy cục bộ đến quản lý các dự án quy mô lớn với lưu trữ đám mây.

Hình 3. Ví dụ về bảng điều khiển theo dõi thử nghiệm của Weights & Biases. Nguồn hình ảnh: theo dõi thử nghiệm Weights & Biases.

Dưới đây là một số thông tin giúp bạn quyết định liệu Weights & Biases có phải là công cụ phù hợp cho dự án của bạn hay không:

• Trực quan hóa và theo dõi nâng cao: W&B cung cấp một bảng điều khiển trực quan để trực quan hóa các chỉ số huấn luyện và hiệu suất model theo thời gian thực.
• Mô hình giá cả: Giá cả dựa trên số giờ theo dõi, điều này có thể không lý tưởng cho người dùng có ngân sách hạn chế hoặc các dự án liên quan đến thời gian huấn luyện dài.

Link to this sectionTheo dõi thử nghiệm MLOps với ClearML#

ClearML là một nền tảng MLOps mã nguồn mở được thiết kế để tự động hóa, giám sát và điều phối các quy trình machine learning. Nó hỗ trợ các framework machine learning phổ biến như PyTorch, TensorFlow và Keras và có thể tích hợp dễ dàng với các quy trình hiện có của bạn. ClearML cũng hỗ trợ điện toán phân tán trên máy cục bộ hoặc trên đám mây và có thể giám sát việc sử dụng CPU và GPU.

Tích hợp của YOLOv8 với ClearML cung cấp các công cụ để theo dõi thử nghiệm, quản lý model và giám sát tài nguyên. Giao diện web trực quan của nền tảng cho phép bạn trực quan hóa dữ liệu, so sánh các thử nghiệm và theo dõi các chỉ số quan trọng như loss, độ chính xác và điểm kiểm định theo thời gian thực. Tích hợp này cũng hỗ trợ các tính năng nâng cao như thực thi từ xa, tinh chỉnh hyperparameter và lưu điểm kiểm tra model.

Hình 4. Ví dụ về các hình ảnh trực quan theo dõi thử nghiệm của ClearML. Nguồn hình ảnh: theo dõi thử nghiệm Clear ML và trực quan hóa kết quả.

Dưới đây là một số thông tin giúp bạn quyết định liệu ClearML có phải là công cụ phù hợp cho dự án của bạn hay không:

• Nhu cầu theo dõi thử nghiệm nâng cao: ClearML cung cấp khả năng theo dõi thử nghiệm mạnh mẽ bao gồm tích hợp tự động với Git.
• Triển khai linh hoạt: ClearML có thể được sử dụng tại chỗ (on-premises), trên đám mây hoặc trên các cụm Kubernetes, giúp nó có khả năng thích ứng với các thiết lập khác nhau.

Link to this sectionTheo dõi các thử nghiệm huấn luyện bằng Comet ML#

Comet ML là một nền tảng thân thiện với người dùng giúp quản lý và theo dõi các thử nghiệm machine learning. Tích hợp của YOLOv8 với Comet ML cho phép bạn ghi nhật ký thử nghiệm và xem kết quả của mình theo thời gian. Tích hợp này giúp việc phát hiện xu hướng và so sánh các lần chạy khác nhau trở nên dễ dàng hơn.

Comet ML có thể được sử dụng trên đám mây, trên một cloud riêng ảo (VPC) hoặc ngay cả tại chỗ (on-premises), giúp nó có khả năng thích ứng với các thiết lập và nhu cầu khác nhau. Công cụ này được thiết kế để làm việc nhóm. Bạn có thể chia sẻ dự án, gắn thẻ đồng đội và để lại bình luận để mọi người có thể đồng bộ và tái lập các thử nghiệm một cách chính xác.

Dưới đây là một số thông tin giúp bạn quyết định liệu Comet ML có phải là công cụ phù hợp cho dự án của bạn hay không:

• Hỗ trợ nhiều framework và ngôn ngữ: Comet ML hoạt động với Python, JavaScript, Java, R và nhiều ngôn ngữ khác, biến nó thành một tùy chọn linh hoạt bất kể công cụ hoặc ngôn ngữ dự án của bạn sử dụng là gì.
• Bảng điều khiển và báo cáo có thể tùy chỉnh: Giao diện của Comet ML có khả năng tùy chỉnh cao, vì vậy bạn có thể tạo các báo cáo và bảng điều khiển phù hợp nhất với dự án của mình.
• Chi phí: Comet ML là một nền tảng thương mại và một số tính năng nâng cao yêu cầu đăng ký trả phí.

Link to this sectionTensorBoard có thể giúp ích cho việc trực quan hóa#

TensorBoard là một bộ công cụ trực quan hóa mạnh mẽ được thiết kế đặc biệt cho các thử nghiệm TensorFlow, nhưng nó cũng là một công cụ tuyệt vời để theo dõi và trực quan hóa các chỉ số trong một loạt các dự án machine learning. Được biết đến với sự đơn giản và tốc độ, TensorBoard cho phép người dùng dễ dàng theo dõi các chỉ số chính và trực quan hóa các đồ thị model, embedding và các loại dữ liệu khác.

Một lợi thế lớn của việc sử dụng TensorBoard với YOLOv8 là nó được cài đặt sẵn một cách thuận tiện, loại bỏ nhu cầu thiết lập bổ sung. Một lợi ích khác là khả năng của TensorBoard khi chạy hoàn toàn tại chỗ (on-premises). Điều này đặc biệt quan trọng đối với các dự án có yêu cầu bảo mật dữ liệu nghiêm ngặt hoặc trong các môi trường mà việc tải lên đám mây không phải là một lựa chọn.

Hình 5. Giám sát quá trình huấn luyện model YOLOv8 bằng TensorBoard.

Dưới đây là một số thông tin giúp bạn quyết định liệu TensorBoard có phải là công cụ phù hợp cho dự án của bạn hay không:

• Khả năng giải thích với What-If Tool (WIT): TensorBoard bao gồm What-If Tool, cung cấp một giao diện dễ sử dụng để khám phá và hiểu các model ML. Nó có giá trị đối với những ai muốn đạt được thông tin chi tiết về các model hộp đen và cải thiện khả năng giải thích.
• Theo dõi thử nghiệm đơn giản: TensorBoard là lựa chọn lý tưởng cho các nhu cầu theo dõi cơ bản với khả năng so sánh thử nghiệm hạn chế và thiếu các tính năng cộng tác nhóm mạnh mẽ, kiểm soát phiên bản và quản lý quyền riêng tư.

Link to this sectionSử dụng DVCLive (Data Version Control Live) để theo dõi các thử nghiệm ML#

Tích hợp của YOLOv8 với DVCLive cung cấp một cách hợp lý để theo dõi và quản lý các thử nghiệm bằng cách lập phiên bản cho các tập dữ liệu, model và code của bạn cùng nhau mà không cần lưu trữ các tệp lớn trong Git. Nó sử dụng các lệnh giống Git và lưu trữ các chỉ số được theo dõi trong các tệp văn bản thuần túy để kiểm soát phiên bản dễ dàng. DVCLive ghi nhật ký các chỉ số chính, trực quan hóa kết quả và quản lý các thử nghiệm một cách sạch sẽ mà không làm lộn xộn repository của bạn. Nó hỗ trợ nhiều nhà cung cấp lưu trữ và có thể hoạt động cục bộ hoặc trên đám mây. DVCLive hoàn hảo cho các nhóm đang tìm cách hợp lý hóa việc theo dõi thử nghiệm mà không cần cơ sở hạ tầng bổ sung hoặc các phụ thuộc vào đám mây.

Link to this sectionQuản lý các model và quy trình làm việc của Ultralytics bằng Ultralytics HUB#

Ultralytics HUB là một nền tảng nội bộ, tất cả trong một được thiết kế để đơn giản hóa việc huấn luyện, triển khai và quản lý các model Ultralytics YOLO như YOLOv5 và YOLOv8. Không giống như các tích hợp bên ngoài, Ultralytics HUB mang lại trải nghiệm bản địa liền mạch được tạo đặc biệt cho người dùng YOLO. Nó đơn giản hóa toàn bộ quá trình, cho phép bạn dễ dàng tải lên các tập dữ liệu, chọn các model được huấn luyện sẵn và bắt đầu huấn luyện chỉ với vài cú nhấp chuột bằng cách sử dụng tài nguyên đám mây - tất cả đều nằm trong giao diện dễ sử dụng của HUB. Ultralytics HUB cũng hỗ trợ theo dõi thử nghiệm, giúp việc giám sát tiến trình huấn luyện, so sánh kết quả và tinh chỉnh các model trở nên dễ dàng.

Hình 6. Giám sát quá trình huấn luyện model YOLOv8 bằng Ultralytics HUB.

Link to this sectionCác điểm chính cần lưu ý#

Việc chọn đúng công cụ để theo dõi các thử nghiệm machine learning của bạn có thể tạo ra sự khác biệt lớn. Tất cả các công cụ chúng tôi đã thảo luận đều có thể hỗ trợ theo dõi các thử nghiệm huấn luyện YOLOv8, nhưng điều quan trọng là phải cân nhắc ưu và nhược điểm của từng công cụ để tìm ra sự phù hợp nhất cho dự án của bạn. Công cụ phù hợp sẽ giúp bạn ngăn nắp và giúp cải thiện hiệu suất model YOLOv8 của bạn!

Các tích hợp có thể đơn giản hóa việc sử dụng YOLOv8 trong các dự án sáng tạo của bạn và tăng tốc tiến độ của bạn. Để khám phá thêm các tích hợp YOLOv8 thú vị, hãy xem tài liệu của chúng tôi.

Tìm hiểu thêm về AI bằng cách khám phá kho lưu trữ GitHub và tham gia cộng đồng của chúng tôi. Xem các trang giải pháp của chúng tôi để biết thêm thông tin chi tiết về AI trong sản xuất và y tế. 🚀