Ghi lại các thí nghiệm YOLO của Ultralytics bằng cách sử dụng tích hợp MLflow

Bạn có thể nghĩ về một dự án thị giác máy tính như một câu đố. Về cơ bản, bạn dạy máy hiểu dữ liệu trực quan bằng cách ghép các mảnh ghép của câu đố, chẳng hạn như thu thập một tập dữ liệu, đào tạo một mô hình và triển khai nó. Khi mọi thứ khớp với nhau, bạn sẽ có một hệ thống có thể phân tích và hiểu hiệu quả hình ảnh và video.

Nhưng, giống như một câu đố thực sự, không phải mọi phần của dự án thị giác máy tính đều đơn giản. Các nhiệm vụ như theo dõi thử nghiệm (lưu giữ hồ sơ cài đặt, cấu hình và dữ liệu của bạn) và ghi nhật ký (ghi lại kết quả và số liệu hiệu suất) có thể tốn nhiều thời gian và công sức. Mặc dù các bước này là chìa khóa để cải thiện và tinh chỉnh các mô hình thị giác máy tính của bạn, nhưng đôi khi chúng có thể giống như một nút thắt cổ chai.

Đó là nơi các mô hình Ultralytics YOLO và tích hợp của nó với MLflow phát huy tác dụng. Các mô hình như Ultralytics YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính, bao gồm phát hiện đối tượng, phân đoạn thể hiện và phân loại hình ảnh. Các khả năng này cho phép tạo ra các ứng dụng thị giác máy tính thú vị. Có tùy chọn dựa vào các tích hợp như tích hợp MLflow cho phép các kỹ sư thị giác tập trung vào chính mô hình, thay vì bị cuốn vào các chi tiết. 

Cụ thể, tích hợp MLflow đơn giản hóa quy trình bằng cách ghi lại nhiều số liệu, tham số và hiện vật khác nhau trong suốt quá trình đào tạo. Trong bài viết này, chúng ta sẽ khám phá cách tích hợp MLflow hoạt động, lợi ích của nó và cách bạn có thể sử dụng nó để hợp lý hóa quy trình làm việc Ultralytics YOLO của mình.

MLflow là gì?

MLflow là một nền tảng mã nguồn mở (do Databricks phát triển) được thiết kế để hợp lý hóa và quản lý toàn bộ vòng đời học máy. Nó bao gồm quá trình phát triển, triển khai và duy trì các mô hình học máy. 

MLflow bao gồm các thành phần chính sau:

• Theo dõi thử nghiệm : Thành phần này tập trung vào việc ghi lại các chi tiết quan trọng như cài đặt mô hình, kết quả và tệp cho mỗi lần chạy đào tạo mô hình. Nó giúp bạn so sánh các mô hình, xem các thay đổi ảnh hưởng đến hiệu suất như thế nào và tìm ra mô hình tốt nhất.
  ‍
• Sổ đăng ký mô hình : Giống như một hệ thống lưu trữ các mô hình của bạn, nơi bạn có thể theo dõi các phiên bản khác nhau và sắp xếp chúng theo từng giai đoạn như thử nghiệm, dàn dựng và sản xuất.
  ‍
• Đóng gói dự án : MLflow giúp bạn dễ dàng đóng gói các dự án học máy, bao gồm mã, cài đặt và các công cụ cần thiết, để có thể chia sẻ và sử dụng thống nhất giữa các nhóm và môi trường.
  ‍
• Triển khai mô hình : MLflow cung cấp các công cụ để triển khai nhanh chóng các mô hình đã đào tạo của bạn tới những nơi như máy trạm hoặc nền tảng đám mây như AWS và Azure, giúp chúng sẵn sàng để sử dụng trong thực tế.

‍

Các thành phần của MLflow giúp quá trình học máy dễ dàng và hiệu quả hơn để quản lý. Thông qua tích hợp này, Ultralytics cho phép sử dụng tính năng theo dõi thử nghiệm của MLflow để ghi lại các tham số, số liệu và hiện vật trong khi đào tạo các mô hình YOLO . Nó giúp theo dõi và so sánh các phiên bản mô hình YOLO khác nhau một cách đơn giản.

Tích hợp MLflow hợp lý hóa việc đào tạo

Bây giờ chúng ta đã tìm hiểu MLflow là gì, hãy cùng tìm hiểu chi tiết về tích hợp MLflow và những tính năng mà nó cung cấp. 

Tích hợp MLflow được xây dựng để làm cho quá trình đào tạo hiệu quả hơn và có tổ chức hơn bằng cách tự động theo dõi và ghi lại các khía cạnh quan trọng của các thí nghiệm thị giác máy tính của bạn. Nó tạo điều kiện cho ba loại ghi nhật ký chính: số liệu, tham số và hiện vật.

Sau đây là cái nhìn sâu hơn về từng loại ghi nhật ký:

• Ghi nhật ký số liệu: Số liệu là các giá trị định lượng đo lường hiệu suất của mô hình trong quá trình đào tạo. Ví dụ, các số liệu như độ chính xác , độ chính xác, độ thu hồi hoặc độ mất được theo dõi vào cuối mỗi kỷ nguyên (một lần duyệt toàn bộ tập dữ liệu của bạn).
  ‍
• Ghi nhật ký tham số: Tham số là các thiết lập bạn xác định trước khi bắt đầu đào tạo mô hình, chẳng hạn như tốc độ học, kích thước lô (số mẫu được xử lý trong một bước đào tạo) và số kỷ nguyên. Các tham số này ảnh hưởng đáng kể đến hành vi và hiệu suất của mô hình.
  ‍
• Ghi nhật ký hiện vật: Hiện vật là các đầu ra hoặc tệp được tạo trong quá trình đào tạo. Điều này bao gồm các tệp thiết yếu như trọng số mô hình (các giá trị số mà mô hình của bạn học được trong quá trình đào tạo), tệp cấu hình (lưu trữ cài đặt đào tạo) và các dữ liệu liên quan khác.

‍

Tích hợp MLflow hoạt động như thế nào

Bạn có thể khám phá tài liệu Ultralytics để biết hướng dẫn từng bước về cách bật tích hợp MLflow . Sau khi thiết lập, tích hợp sẽ tự động theo dõi và ghi lại các chi tiết chính của các thí nghiệm đào tạo của bạn, như đã thảo luận ở trên. Điều này giúp loại bỏ nhu cầu theo dõi thủ công và giúp bạn tập trung vào việc tinh chỉnh các mô hình của mình.

Với tích hợp MLflow, tất cả các lần chạy đào tạo của bạn được lưu trữ ở một nơi, giúp việc so sánh kết quả và đánh giá các cấu hình khác nhau dễ dàng hơn. Bằng cách so sánh các kết quả đã ghi, bạn có thể xác định các cấu hình hoạt động tốt nhất và sử dụng những thông tin chi tiết đó để cải thiện các mô hình của mình. Điều này đảm bảo quy trình làm việc của bạn hiệu quả hơn, được ghi chép đầy đủ và có thể tái tạo.

Cụ thể, mỗi buổi đào tạo được tổ chức thành một thử nghiệm, hoạt động như một container cho nhiều lần chạy. Trong một thử nghiệm, bạn có thể xem tất cả các lần chạy liên quan, so sánh hiệu suất của chúng với nhau và phân tích xu hướng trên các cấu hình khác nhau. 

Ví dụ, nếu bạn đang thử nghiệm nhiều tốc độ học tập hoặc quy mô lô khác nhau bằng Ultralytics YOLOv8, tất cả các lần chạy liên quan sẽ được nhóm vào cùng một thử nghiệm để dễ so sánh và phân tích, như được hiển thị bên dưới.

‍

Trong khi đó, ở cấp độ chạy riêng lẻ, MLflow cung cấp thông tin chi tiết về phiên đào tạo cụ thể. Bạn có thể xem các số liệu như độ chính xác, mất mát và độ chính xác qua các kỷ nguyên, kiểm tra các tham số đào tạo được sử dụng (ví dụ: kích thước lô và tốc độ học) và truy cập các hiện vật được tạo như trọng số mô hình và tệp cấu hình. Các chi tiết này được lưu trữ theo định dạng có tổ chức, giúp bạn dễ dàng xem lại hoặc tái tạo bất kỳ lần chạy nào.

Lựa chọn tích hợp MLflow: lý do tại sao nó nổi bật

Khi bạn xem qua tài liệu Ultralytics và khám phá các tích hợp có sẵn, bạn có thể tự hỏi: Điều gì làm nên sự khác biệt của tích hợp MLflow và tại sao tôi nên chọn tích hợp này cho quy trình làm việc của mình?

Với các tích hợp như TensorBoard cũng cung cấp các công cụ theo dõi số liệu và trực quan hóa kết quả, điều quan trọng là phải hiểu những phẩm chất độc đáo khiến tích hợp MLflow trở nên nổi bật. 

Sau đây là lý do tại sao MLflow có thể là lựa chọn lý tưởng cho các dự án YOLO của bạn:

• Giao diện thân thiện với người dùng: Bảng điều khiển MLflow giúp bạn dễ dàng xem các thử nghiệm, so sánh các lần chạy và phân tích kết quả, giúp bạn nhanh chóng xác định cấu hình có hiệu suất tốt nhất.
  ‍
• Ghi nhật ký số liệu tùy chỉnh: Các kỹ sư thị giác có thể ghi nhật ký số liệu tùy chỉnh ngoài số liệu tiêu chuẩn, cho phép phân tích chuyên sâu hơn theo nhu cầu cụ thể của dự án.
  ‍
• Hỗ trợ quy trình làm việc đa ngôn ngữ : MLflow tương thích với nhiều ngôn ngữ lập trình, bao gồm Python, R và Java, tạo điều kiện tích hợp vào nhiều quy trình học máy khác nhau.

Ứng dụng thực tế của YOLO11 và tích hợp MLflow

Để hiểu rõ hơn về thời điểm bạn có thể sử dụng tích hợp MLflow, hãy xem xét một ứng dụng AI trong chăm sóc sức khỏe , trong đó bạn cần đào tạo YOLO11 để phát hiện khối u trong hình ảnh chụp X-quang hoặc CT. 

Trong trường hợp như vậy, tập dữ liệu sẽ bao gồm các hình ảnh y tế được chú thích. Bạn sẽ cần thử nghiệm với nhiều cấu hình khác nhau, chẳng hạn như điều chỉnh tốc độ học, kích thước lô và kỹ thuật xử lý trước hình ảnh, để đạt được độ chính xác tối ưu. Vì rủi ro trong chăm sóc sức khỏe rất cao và độ chính xác cũng như độ tin cậy là rất quan trọng, nên việc theo dõi từng thử nghiệm theo cách thủ công có thể nhanh chóng trở nên không thể quản lý được.

‍

Tích hợp MLflow giải quyết thách thức này bằng cách tự động ghi lại mọi tham số, số liệu và hiện vật của mọi thử nghiệm. Ví dụ: nếu bạn sửa đổi tốc độ học hoặc áp dụng chiến lược tăng cường mới, MLflow sẽ ghi lại những thay đổi này cùng với số liệu hiệu suất . Ngoài ra, MLflow lưu trọng số và cấu hình mô hình đã được đào tạo, đảm bảo rằng các mô hình thành công có thể dễ dàng được tái tạo và triển khai. 

Đây chỉ là một ví dụ về cách tích hợp MLflow nâng cao khả năng quản lý thử nghiệm trong các ứng dụng Vision AI. Các tính năng tương tự áp dụng cho các ứng dụng thị giác máy tính khác, bao gồm:

• Lái xe tự động : YOLO11 có thể được sử dụng để phát hiện và phân loại người đi bộ, phương tiện và biển báo giao thông theo thời gian thực nhằm cải thiện tính an toàn và hiệu quả của hệ thống lái xe tự động.
  ‍
• Phân tích bán lẻ : Các mô hình phát hiện đối tượng có thể theo dõi hành vi của khách hàng, theo dõi vị trí đặt sản phẩm và tối ưu hóa hàng tồn kho bằng cách phân tích hoạt động trong cửa hàng thông qua nguồn cấp dữ liệu video.
  ‍
• An ninh và giám sát : Các mô hình có thể được đào tạo để phát hiện các bất thường hoặc giám sát hoạt động thời gian thực ở các khu vực nhạy cảm để tăng cường an ninh.

Lợi ích của tích hợp MLflow

Tích hợp MLflow với các mô hình YOLO giúp quản lý các thí nghiệm học máy dễ dàng và hiệu quả hơn. Bằng cách tự động hóa các tác vụ chính và giữ mọi thứ được sắp xếp, nó cho phép bạn tập trung vào việc xây dựng và cải thiện các mô hình của mình. Sau đây là một cái nhìn về các lợi ích chính:

• Có thể mở rộng cho các dự án lớn : Nền tảng này xử lý nhiều thử nghiệm và mô hình một cách hiệu quả, phù hợp với các nhóm lớn hơn và quy trình làm việc phức tạp.
  ‍
• Lịch sử thử nghiệm chi tiết : Nền tảng này lưu giữ toàn bộ lịch sử thử nghiệm, cho phép bạn xem lại các lần chạy trước, phân tích cấu hình trước đó và học hỏi từ các kết quả trước đó.
  ‍
• Tùy chọn tắt và đặt lại: Có thể dễ dàng tắt nhật ký MLflow khi không cần thiết và có thể đặt lại cài đặt về mặc định, mang lại sự linh hoạt để thích ứng với các yêu cầu quy trình làm việc khác nhau.

Những điểm chính

Tích hợp MLflow giúp quản lý và tối ưu hóa các thí nghiệm YOLO của Ultralytics dễ dàng và hiệu quả hơn. Bằng cách tự động theo dõi các chi tiết chính như tham số, số liệu và hiện vật, nó đơn giản hóa quy trình và loại bỏ sự phiền phức của việc quản lý thí nghiệm thủ công. 

Cho dù bạn đang làm việc trên các giải pháp chăm sóc sức khỏe như phát hiện khối u, cải thiện hệ thống lái xe tự động hay tăng cường phân tích bán lẻ, tích hợp này giúp mọi thứ được sắp xếp và tái tạo. Với giao diện trực quan và tính linh hoạt, MLflow cho phép các nhà phát triển tập trung vào việc xây dựng các mô hình tốt hơn và thúc đẩy đổi mới trong các ứng dụng Vision AI.

Tham gia cộng đồng của chúng tôi và xem kho lưu trữ GitHub của chúng tôi để tìm hiểu về AI. Bạn cũng có thể khám phá thêm các ứng dụng của thị giác máy tính trong sản xuất hoặc AI trong xe tự lái trên các trang giải pháp của chúng tôi.