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

Thu thập dữ liệu, gán nhãn dữ liệu và huấn luyện các model như model Ultralytics YOLOv8 là nền tảng của mọi dự án thị giác máy tính. Bạn thường cần huấn luyện model tùy chỉnh nhiều lần với các tham số khác nhau để tìm ra model có hiệu năng tốt nhất. Sử dụng công cụ theo dõi các thử nghiệm huấn luyện có thể giúp 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 tham số đã dùng, kết quả đạt được và mọi thay đổi trong quá trình thực hiện.

Hình 1. Hình ảnh minh họa vị trí của việc theo dõi thử nghiệm trong một dự án thị giác máy tính.

Lưu lại những thông tin chi tiết này giúp bạn tái tạo 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 dấu vết kiểm toán rõ ràng. Đối với cá nhân, việc này giúp duy trì tài liệu công việc rõ ràng, có tổ chức để bạn hoàn thiện phương pháp và đạt kết quả tốt hơn theo thời gian.

Trong bài viết này, chúng tôi sẽ giới thiệu các tích hợp huấn luyện hiện có để quản lý và giám sát các thử nghiệm YOLOv8. Dù làm việc độc lập hay trong một nhóm lớn, 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 bằng MLflow#

MLflow là nền tảng mã nguồn mở do Databricks phát triển, giúp quản lý toàn bộ vòng đời machine learning dễ dàng hơn. MLflow Tracking là 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 cũng như trực quan hóa các thử nghiệm machine learning. MLflow hỗ trợ nhiều ngôn ngữ và giao diện, bao gồm các API Python, REST, Java và R.

MLflow Tracking tích hợp liền mạch với YOLOv8; bạn có thể ghi lại trực tiếp các chỉ số quan trọng như precision, recall và loss từ model. Thiết lập MLflow với YOLOv8 rất đơn giản và có nhiều tùy chọn linh hoạt: bạn có thể sử dụng thiết lập localhost mặc định, kết nối với nhiều kho dữ liệu hoặc khởi chạy server theo dõi MLflow từ xa để sắp xếp mọi thứ.

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

Sau đây là một số yếu tố giúp bạn quyết định MLflow có phải là công cụ phù hợp cho dự án hay không:

• Khả năng mở rộng: MLflow có thể mở rộng theo nhu cầu của bạn, dù bạn làm việc trên một máy duy nhất hay triển khai trên các cụm lớn. Nếu dự án cần mở rộng từ giai đoạn phát triển sang production, MLflow có thể hỗ trợ quá trình phát triển này.
• Độ phức tạp của dự án: MLflow phù hợp với các dự án phức tạp cần theo dõi toàn diện, quản lý model và khả năng triển khai. Nếu dự án cần những tính năng quy mô đầy đủ này, MLflow có thể tinh giản workflow của bạn.
• Thiết lập và bảo trì: Dù mạnh mẽ, MLflow vẫn có đường cong học tập và đòi hỏi công sức thiết lập.

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

Weights & Biases là nền tảng MLOps để theo dõi, trực quan hóa và quản lý các thử nghiệm machine learning. Bằng cách dùng W&B với YOLOv8, bạn có thể giám sát hiệu năng của model trong quá trình huấn luyện và tinh chỉnh model. 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 nhận diện 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; bạn thậm chí có thể dùng công cụ này để tinh chỉnh các hyperparameter như learning rate và 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 dự án quy mô lớn bằng lưu trữ đám mây.

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

Sau đây là một số yếu tố giúp bạn quyết định Weights & Biases có phải là công cụ phù hợp cho dự án hay không:

• Tăng cường trực quan hóa và theo dõi: W&B cung cấp dashboard trực quan, giúp hiển thị các chỉ số huấn luyện và hiệu năng model theo thời gian thực.

Theo dõi thử nghiệm MLOps bằng ClearML#

ClearML là nền tảng MLOps mã nguồn mở được thiết kế để tự động hóa, giám sát và điều phối workflow machine learning. Nền tảng này 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 đám mây, đồng thời có thể giám sát mức sử dụng CPU và GPU.

Tích hợp YOLOv8 với ClearML cung cấp công cụ 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 theo thời gian thực những chỉ số quan trọng như loss, độ chính xác và điểm validation. 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 hình ảnh trực quan hóa theo dõi thử nghiệm của ClearML. Nguồn ảnh: ClearML Tracking Experiments and Visualizing Results.

Sau đây là một số yếu tố giúp bạn quyết định ClearML có phải là công cụ phù hợp cho dự án 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 Git tự động.
• Triển khai linh hoạt: ClearML có thể được sử dụng tại chỗ, trên đám mây hoặc trên các cụm Kubernetes, nhờ đó thích ứng với nhiều cấu hình khác nhau.

Theo dõi thử nghiệm huấn luyện bằng Comet ML#

Comet ML là 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 thử nghiệm và xem kết quả theo thời gian. Tích hợp này giúp dễ dàng nhận ra xu hướng và so sánh các lần chạy khác nhau.

Comet ML có thể được sử dụng trên đám mây, trên đám mây riêng ảo (VPC) hoặc tại chỗ, nhờ đó thích ứng với nhiều cấu hình và nhu cầu khác nhau. Công cụ này được thiết kế để hỗ trợ làm việc nhóm. Bạn có thể chia sẻ dự án, gắn thẻ đồng đội và để lại bình luận để mọi người luôn nắm được tình hình và tái tạo thử nghiệm chính xác.

Sau đây là một số yếu tố giúp bạn quyết định Comet ML có phải là công cụ phù hợp cho dự án 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 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 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 nền tảng thương mại và một số tính năng nâng cao yêu cầu đăng ký trả phí.

TensorBoard hỗ trợ trực quan hóa#

TensorBoard là bộ công cụ trực quan hóa mạnh mẽ được thiết kế dành riêng cho các thử nghiệm TensorFlow, nhưng đây cũng là công cụ tuyệt vời để theo dõi và trực quan hóa chỉ số trong nhiều dự án machine learning. Nổi bật nhờ sự 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 lợi thế lớn của việc sử dụng TensorBoard với YOLOv8 là thiết lập tối thiểu: cài đặt package tensorboard và bật ghi log một lần bằng yolo settings tensorboard=True. Một lợi ích khác là TensorBoard có thể chạy hoàn toàn tại chỗ. Điều này đặc biệt quan trọng với các dự án có yêu cầu nghiêm ngặt về quyền riêng tư dữ liệu hoặc hoạt động trong môi trường không cho phép tải dữ liệu lên cloud.

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

Sau đây là một số yếu tố giúp bạn quyết định TensorBoard có phải là công cụ phù hợp cho dự án hay không:

• Theo dõi thử nghiệm đơn giản: TensorBoard phù hợp với nhu cầu theo dõi cơ bản, có 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.

Sử dụng DVCLive (Data Version Control Live) để theo dõi thử nghiệm ML#

Tích hợp YOLOv8 với DVCLive cung cấp cách thức tinh gọn để theo dõi và quản lý thử nghiệm bằng cách version hóa dataset, model và code cùng nhau mà không lưu trữ các tệp lớn trong Git. Công cụ này sử dụng các lệnh tương tự Git và lưu các chỉ số được theo dõi trong tệp văn bản thuần để dễ dàng kiểm soát phiên bản. DVCLive ghi log các chỉ số quan trọng, 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 dịch vụ lưu trữ và có thể hoạt động cục bộ hoặc trên cloud. DVCLive phù hợp với các nhóm muốn tinh gọn quy trình theo dõi thử nghiệm mà không cần cơ sở hạ tầng bổ sung hay phụ thuộc vào cloud.

Quản lý model và workflow Ultralytics bằng Ultralytics HUB#

Ultralytics HUB (nay là Ultralytics Platform) là 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. Khác với các tích hợp bên ngoài, Ultralytics HUB cung cấp trải nghiệm tích hợp sẵn được xây dựng riêng cho người dùng YOLO. Nền tảng đơn giản hóa toàn bộ quy trình, cho phép bạn dễ dàng tải dataset lên, chọn model đã huấn luyện trước 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 bạn 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.

Điểm chính cần ghi nhớ#

Việc chọn đúng công cụ để theo dõi các thử nghiệm machine learning có thể tạo ra khác biệt lớn. Tất cả công cụ chúng ta đã thảo luận đều có thể giúp 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 cho dự án. Công cụ phù hợp sẽ giúp bạn làm việc có tổ chức và cải thiện hiệu năng model YOLOv8!

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

Tìm hiểu thêm về AI bằng cách khám phá repository GitHub và tham gia cộng đồng của chúng tôi. Xem các trang giải pháp của chúng tôi để tìm hiểu chi tiết về AI trong lĩnh vực sản xuất và y tế.