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

Thu thập dữ liệu, chú thích dữ liệu và huấn luyện các model như model Ultralytics YOLOv8 là phần cốt lõi của mọi dự án thị giác máy tính. Thông thường, bạn sẽ cần huấn luyện model tùy chỉnh nhiều lần với các tham số khác nhau để tạo ra model tối ưu nhất. Sử dụng các công cụ để theo dõi những thử nghiệm huấn luyện có thể giúp việc quản lý dự án thị giác máy tính dễ dàng hơn. Theo dõi thử nghiệm là quá trình ghi lại thông tin chi tiết của mỗi lần chạy huấn luyện — chẳng hạn như các tham số đã sử dụng, kết quả đạt được và mọi thay đổi đã thực hiện trong quá trình đó.

Hình 1. Hình ảnh minh họa cách theo dõi thử nghiệm được tích hợp vào một dự án thị giác máy tính.

Lưu lại những thông tin 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, việc này giúp duy trì tính nhất quán giữa các nhóm, thúc đẩy cộng tác và cung cấp nhật ký kiểm tra rõ ràng. Đối với cá nhân, mục tiêu là duy trì tài liệu công việc rõ ràng, có tổ chức, giúp bạn cải thiện phương pháp và đạt kết quả tốt hơn theo thời gian.

Trong bài viết này, chúng tôi sẽ hướng dẫn bạn về các tích hợp huấn luyện khác nhau hiện có để quản lý và giám sát các thử nghiệm YOLOv8. Dù bạn làm việc độc lập hay trong một nhóm lớn hơn, việc hiểu và sử dụng đúng công cụ theo dõi có thể tạo ra khác biệt đáng kể đối với thành công của các dự án YOLOv8.

Theo dõi thử nghiệm machine learning với MLflow#

MLflow là một nền tảng mã nguồn mở do Databricks phát triển, giúp đơn giản hóa việc quản lý toàn bộ vòng đời machine learning. 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 lại, trực quan hóa các thử nghiệm machine learning. Nền tảng này 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, cho phép bạn ghi lại trực tiếp từ các model những chỉ số quan trọng như precision, recall và loss. Thiết lập MLflow với YOLOv8 khá đơn giản và có nhiều tùy chọn linh hoạt: bạn có thể sử dụng thiết lập localhost mặc định, kết nối với nhiều data store khác nhau hoặc khởi chạy máy chủ 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 MLflow có phải là công cụ phù hợp cho dự án của mình hay không:

• Khả năng mở rộng: MLflow mở rộng tốt theo nhu cầu của bạn, dù bạn làm việc trên một máy đơn lẻ hay triển khai trên các cluster lớn. Nếu dự án cần mở rộng từ giai đoạn phát triển lên production, MLflow có thể hỗ trợ quá trình tăng trưởng này.
• Độ phức tạp của dự án: MLflow lý tưởng cho các dự án phức tạp cần khả năng theo dõi toàn diện, quản lý model và triển khai. Nếu dự án yêu cầu các tính năng đầy đủ này, MLflow có thể hợp lý hóa workflow của bạn.
• Thiết lập và bảo trì: Dù mạnh mẽ, MLflow vẫn có đường cong học tập và phát sinh chi phí thiết lập.

Sử dụng Weights & Biases (W&B) để theo dõi model thị giác máy tính#

Weights & Biases là một nền tảng MLOps dùng 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 trong khi huấn luyện và tinh chỉnh chúng. Dashboard tương tác của W&B cung cấp chế độ xem rõ ràng theo thời gian thực về các chỉ số này, 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 lại các chỉ số huấn luyện và checkpoint của model, đồng thời bạn còn có thể dùng công cụ này để tinh chỉnh các hyperparameter như learning rate và batch size. Nền tảng 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 cloud storage.

Hình 3. Ví dụ về các dashboard theo dõi thử nghiệm của Weights & Biases. Nguồn hình ảnh: Weights & Biases theo dõi thử nghiệm.

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

• Trực quan hóa và theo dõi nâng cao: W&B cung cấp dashboard trực quan để trực quan hóa các chỉ số huấn luyện và hiệu suất model theo thời gian thực.
• Mô hình định giá: Chi phí được tính dựa trên số giờ được theo dõi, có thể không phù hợp với người dùng có ngân sách hạn chế hoặc các dự án có thời gian huấn luyện dài.

Theo 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 workflow machine learning. Nền tảng hỗ trợ các framework machine learning phổ biến như PyTorch, TensorFlow và Keras, đồng thời dễ dàng tích hợp với các quy trình hiện có. ClearML cũng hỗ trợ điện toán phân tán trên máy cục bộ hoặc trên cloud, cũng như giám sát mức sử dụng CPU và GPU.

Tích hợp YOLOv8 với ClearML cung cấp các công cụ theo dõi thử nghiệm, quản lý model và giám sát tài nguyên. Web UI trực quan của nền tảng cho phép bạn trực quan hóa dữ liệu, so sánh các thử nghiệm và theo dõi những chỉ số quan trọng như loss, accuracy và điểm validation 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 checkpoint model.

Hình 4. Ví dụ về các hình ảnh trực quan hóa 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 ClearML có phải là công cụ phù hợp cho dự án của mình 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 on-premises, trên cloud hoặc trên các cluster Kubernetes, giúp thích ứng với nhiều thiết lập khác nhau.

Theo dõi 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 YOLOv8 với Comet ML cho phép bạn ghi lại các thử nghiệm và xem kết quả theo thời gian. Tích hợp này giúp dễ dàng phát hiện xu hướng và so sánh các lần chạy khác nhau.

Comet ML có thể được sử dụng trên cloud, trong virtual private cloud (VPC) hoặc ngay cả on-premises, giúp thích ứng với nhiều thiết lập và nhu cầu khác nhau. Công cụ này được thiết kế cho hoạt động nhóm. Bạn có thể chia sẻ dự án, gắn thẻ đồng đội và để lại bình luận để mọi người luôn nắm cùng một thông tin và tái lập thử nghiệm chính xác.

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

• Hỗ trợ nhiều framework và ngôn ngữ: Comet ML hoạt động với Python, JavaScript, Java, R và nhiều ngôn ngữ khác, trở thành một lựa chọn linh hoạt bất kể dự án của bạn sử dụng công cụ hay ngôn ngữ nào.
• Dashboard và báo cáo có thể tùy chỉnh: Giao diện của Comet ML có khả năng tùy chỉnh cao, cho phép bạn tạo các báo cáo và dashboard phù hợp nhất với dự án.
• Chi phí: Comet ML là một nền tảng thương mại và một số tính năng nâng cao yêu cầu thuê bao trả phí.

TensorBoard hỗ trợ trực quan hóa#

TensorBoard là một bộ công cụ trực quan hóa mạnh mẽ được thiết kế riêng cho các thử nghiệm TensorFlow, nhưng cũng là công cụ hữu ích để theo dõi và trực quan hóa các chỉ số trong nhiều dự án machine learning. Nổi bật nhờ tính đơn giản và tốc độ, TensorBoard cho phép người dùng dễ dàng theo dõi các chỉ số chính và trực quan hóa đồ thị model, embedding cùng các loại dữ liệu khác.

Một ưu điểm lớn của việc sử dụng TensorBoard với YOLOv8 là công cụ này được cài đặt sẵn một cách thuận tiện, loại bỏ nhu cầu thiết lập bổ sung. Một lợi ích khác là TensorBoard có thể chạy hoàn toàn on-premises. Điều này đặc biệt quan trọng đối với các dự án có yêu cầu nghiêm ngặt về quyền riêng tư dữ liệu hoặc các môi trường không cho phép tải dữ liệu lên cloud.

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

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

• Khả năng giải thích với What-If Tool (WIT): TensorBoard tích hợp What-If Tool, cung cấp giao diện dễ sử dụng để khám phá và tìm hiểu các model ML. Công cụ này hữu ích cho những người muốn thu thập insight về các model black-box và cải thiện khả năng giải thích.
• Theo dõi thử nghiệm đơn giản: TensorBoard lý tưởng cho các nhu cầu theo dõi cơ bản với khả năng so sánh thử nghiệm hạn chế, đồng thời thiếu các tính năng cộng tác nhóm mạnh mẽ, quản lý phiên bản và quản lý quyền riêng tư.

Sử dụng DVCLive (Kiểm soát phiên bản dữ liệu trực tiếp) để theo dõi thử nghiệm ML#

Tích hợp YOLOv8 với DVCLive cung cấp phương thức hợp lý hóa việc theo dõi và quản lý thử nghiệm bằng cách versioning dataset, model và code cùng nhau mà không lưu các file lớn trong Git. Công cụ sử dụng các lệnh tương tự Git và lưu các chỉ số được theo dõi trong các file văn bản thuần túy để dễ dàng quản lý phiên bản. DVCLive ghi lại các chỉ số chính, trực quan hóa kết quả và quản lý thử nghiệm gọn gàng mà không làm repository trở nên lộn xộn. Công cụ hỗ trợ nhiều nhà cung cấp storage và có thể hoạt động cục bộ hoặc trên cloud. DVCLive phù hợp với các nhóm muốn hợp lý hóa việc theo dõi thử nghiệm mà không cần hạ tầng bổ sung hoặc phụ thuộc vào cloud.

Quản lý model và workflow Ultralytics bằng Ultralytics HUB#

Ultralytics HUB là nền tảng all-in-one nội bộ 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 các tích hợp bên ngoài, Ultralytics HUB mang đến trải nghiệm native, liền mạch được tạo riêng cho người dùng YOLO. Nền tảng đơn giản hóa toàn bộ quy trình, cho phép bạn dễ dàng tải dataset lên, chọn model được pre-train và bắt đầu huấn luyện chỉ với vài cú nhấp chuột bằng tài nguyên cloud — tất cả trong giao diện dễ sử dụng của HUB. Ultralytics HUB cũng hỗ trợ theo dõi thử nghiệm, giúp dễ dàng giám sát tiến độ huấn luyện, so sánh kết quả và tinh chỉnh model.

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

Những điểm chính#

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

Các tích hợp có thể đơn giản hóa việc sử dụng YOLOv8 trong những dự án đổi mới của bạn và đẩy nhanh tiến độ. 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 repository GitHub của chúng tôi và tham gia cộng đồng. Xem các trang giải pháp của chúng tôi để biết thông tin chi tiết về AI trong lĩnh vực sản xuất và chăm sóc sức khỏe. 🚀