Ghi log thử nghiệm Ultralytics YOLO bằng tích hợp MLflow

Bạn có thể hình dung một dự án thị giác máy tính như một trò ghép hình. Về cơ bản, bạn dạy máy hiểu dữ liệu hình ảnh bằng cách ghép các mảnh lại với nhau, chẳng hạn như thu thập tập dữ liệu, huấn luyện model và triển khai model. Khi mọi mảnh ghép khớp với nhau, bạn sẽ có một hệ thống có thể phân tích và hiểu hình ảnh cũng như video một cách hiệu quả.

Tuy nhiên, cũng như một trò ghép hình thực sự, không phải phần nào trong dự án thị giác máy tính cũng đơn giản. Các tác vụ như theo dõi thử nghiệm (lưu lại cài đặt, cấu hình và dữ liệu) và ghi log (thu thập kết quả và các metric hiệu suất) có thể tốn nhiều thời gian và công sức. Những bước này rất quan trọng để cải thiện và tinh chỉnh model thị giác máy tính, nhưng đôi khi có thể trở thành nút thắt cổ chai.

Đó là lúc các model Ultralytics YOLO và khả năng tích hợp với MLflow phát huy tác dụng. Các model như Ultralytics YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính, bao gồm phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh. Những khả năng này mở đường cho hàng loạt ứng dụng thị giác máy tính. Việc có thể sử dụng các tích hợp như tích hợp MLflow cho phép kỹ sư thị giác tập trung vào chính model thay vì sa đà vào các chi tiết.

Cụ thể, tích hợp MLflow đơn giản hóa quy trình bằng cách ghi log nhiều metric, tham số và artifact trong suốt quá trình huấn luyện. Trong bài viết này, chúng ta sẽ tìm hiểu cách tích hợp MLflow hoạt động, những lợi ích mà tích hợp này mang lại và cách bạn có thể sử dụng tích hợp này để tinh giản quy trình làm việc với Ultralytics YOLO.

MLflow là gì?#

MLflow là một nền tảng mã nguồn mở (do Databricks phát triển), được thiết kế để tinh giản và quản lý toàn bộ vòng đời machine learning. Nền tảng này bao gồm quy trình phát triển, triển khai và duy trì các model machine learning.

MLflow bao gồm các thành phần chính sau:

• Theo dõi thử nghiệm: Thành phần này tập trung ghi lại các thông tin quan trọng như cài đặt model, kết quả và tệp cho mỗi lượt huấn luyện model. Thành phần này giúp bạn so sánh các model, xem những thay đổi ảnh hưởng đến hiệu suất ra sao và tìm ra model tốt nhất.
• Registry model: Đây giống như một hệ thống lưu trữ model, nơi bạn có thể theo dõi các phiên bản khác nhau và sắp xếp chúng theo các giai đoạn như kiểm thử, staging và production.
• Đóng gói dự án: MLflow giúp dễ dàng đóng gói các dự án machine learning, bao gồm code, cài đặt và công cụ cần thiết, để có thể chia sẻ và sử dụng nhất quán giữa các nhóm và môi trường.
• Triển khai model: MLflow cung cấp các công cụ để nhanh chóng triển khai model đã huấn luyện lên các môi trường như máy trạm hoặc nền tảng đám mây như AWS và Azure, giúp model sẵn sàng cho ứng dụng thực tế.

Hình 1. Các thành phần của MLflow.

Các thành phần của MLflow giúp quy trình machine learning dễ quản lý và hiệu quả hơn. Thông qua tích hợp này, Ultralytics cho phép sử dụng tính năng theo dõi thử nghiệm của MLflow để ghi log tham số, metric và artifact trong khi huấn luyện các model YOLO. Tính năng này giúp dễ dàng theo dõi và so sánh các phiên bản model YOLO khác nhau.

Tích hợp MLflow giúp đơn giản hóa quy trình huấn luyện#

Giờ đây, sau khi đã tìm hiểu MLflow là gì, hãy cùng xem chi tiết về tích hợp MLflow và các tính năng mà giải pháp này cung cấp.

Tích hợp MLflow được xây dựng để giúp quy trình huấn luyện hiệu quả và có tổ chức hơn bằng cách tự động theo dõi và ghi nhật ký các khía cạnh quan trọng của những thử nghiệm thị giác máy tính. Tích hợp này hỗ trợ ba loại ghi nhật ký chính: metrics, tham số và artifacts.

Hãy cùng xem xét kỹ hơn từng loại ghi nhật ký:

• Ghi nhật ký metrics: Metrics là các giá trị định lượng dùng để đo lường hiệu suất của model trong quá trình huấn luyện. Ví dụ: các metrics như độ chính xác, precision, recall hoặc loss được theo dõi vào cuối mỗi epoch (một lượt chạy đầy đủ qua dataset của bạn).
• Ghi nhật ký tham số: Tham số là các thiết lập bạn xác định trước khi bắt đầu huấn luyện model, chẳng hạn như learning rate, batch size (số lượng mẫu được xử lý trong một bước huấn luyện) và số epoch. Các tham số này ảnh hưởng đáng kể đến hành vi và hiệu suất của model.
• Ghi nhật ký artifacts: Artifacts là các đầu ra hoặc tệp được tạo trong quá trình huấn luyện. Những tệp này bao gồm các tệp thiết yếu như trọng số model (các giá trị số mà model học được trong quá trình huấn luyện), tệp cấu hình (lưu trữ các thiết lập huấn luyện) và dữ liệu liên quan khác.

Hình 2. Các tính năng ghi nhật ký chính của tích hợp MLflow. Hình ảnh do tác giả thực hiện.

Cách tích hợp MLflow hoạt động#

Bạn có thể tham khảo tài liệu Ultralytics để xem hướng dẫn từng bước về cách bật tích hợp MLflow. Sau khi thiết lập, tích hợp này sẽ tự động theo dõi và ghi nhật ký các thông tin quan trọng của những thử nghiệm huấn luyện, như đã đề cập ở trên. Nhờ đó, bạn không cần theo dõi thủ công và có thể tập trung hơn vào việc tinh chỉnh các model.

Với tích hợp MLflow, tất cả các lần chạy huấn luyện của bạn được lưu trữ tại một nơi, giúp việc so sánh kết quả và đánh giá các cấu hình khác nhau trở nên dễ dàng hơn. Bằng cách so sánh kết quả đã ghi nhật ký, bạn có thể xác định các cấu hình hoạt động tốt nhất và tận dụng những thông tin này để cải thiện model. Điều này giúp quy trình làm việc hiệu quả hơn, được ghi chép đầy đủ và có thể tái lập.

Cụ thể, mỗi phiên huấn luyện được tổ chức thành một experiment, đóng vai trò như một vùng chứa nhiều run. Trong một experiment, bạn có thể xem tất cả các run liên quan, so sánh hiệu suất của chúng cạnh nhau và phân tích xu hướng giữa các cấu hình khác nhau.

Ví dụ: nếu bạn thử nghiệm nhiều learning rate hoặc batch size khác nhau với Ultralytics YOLOv8, tất cả các run liên quan sẽ được nhóm trong cùng một experiment để dễ so sánh và phân tích, như minh họa bên dưới.

Hình 3. Bạn có thể xem các experiment bằng tích hợp MLflow.

Ở cấp độ từng run, MLflow cung cấp thông tin chi tiết về phiên huấn luyện cụ thể. Bạn có thể xem các metrics như độ chính xác, loss và precision qua từng epoch, kiểm tra các tham số huấn luyện đã sử dụng (ví dụ: batch size và learning rate), cũng như truy cập các artifacts được tạo ra như trọng số model và tệp cấu hình. Các thông tin này được lưu trữ theo định dạng có tổ chức, giúp bạn dễ dàng xem lại hoặc tái lập bất kỳ run nào.

Lựa chọn tích hợp MLflow: Vì sao tích hợp này nổi bật#

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

Với những tích hợp như TensorBoard, vốn cũng cung cấp các công cụ theo dõi metrics và trực quan hóa kết quả, việc hiểu những đặc điểm riêng giúp tích hợp MLflow nổi bật là điều quan trọng.

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

• Giao diện thân thiện với người dùng: Dashboard MLflow giúp bạn dễ dàng xem experiment, so sánh run và phân tích kết quả, qua đó nhanh chóng xác định các cấu hình hoạt động tốt nhất.
• Ghi nhật ký metrics tùy chỉnh: Kỹ sư thị giác có thể ghi nhật ký metrics tùy chỉnh bên cạnh các metrics 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, giúp dễ dàng tích hợp vào nhiều pipeline machine learning khác nhau.

Ứng dụng thực tiễn của Ultralytics YOLO11 và tích hợp MLflow#

Để hiểu toàn diện hơn về thời điểm có thể sử dụng tích hợp MLflow, hãy xem xét một ứng dụng AI trong lĩnh vực y tế, trong đó bạn cần huấn luyện Ultralytics YOLO11 để phát hiện khối u trong ảnh X-quang hoặc ảnh chụp CT.

Trong tình huống này, dataset sẽ bao gồm các ảnh y tế đã được gán nhãn. Bạn cần thử nghiệm nhiều cấu hình khác nhau, chẳng hạn như điều chỉnh learning rate, batch size và kỹ thuật tiền xử lý ảnh, để đạt độ chính xác tối ưu. Vì lĩnh vực y tế có mức độ rủi ro cao, đòi hỏi precision và độ tin cậy, việc theo dõi thủ công từng thử nghiệm có thể nhanh chóng trở nên khó kiểm soát.

Hình 4. Phát hiện khối u bằng Ultralytics YOLO11.

Tích hợp MLflow giải quyết thách thức này bằng cách tự động ghi nhật ký các tham số, metrics và artifacts của từng thử nghiệm. Ví dụ: nếu bạn điều chỉnh learning rate hoặc áp dụng chiến lược augmentation mới, MLflow sẽ ghi lại những thay đổi này cùng với metrics hiệu suất. Ngoài ra, MLflow lưu trọng số model đã huấn luyện và các cấu hình, đảm bảo bạn có thể dễ dàng tái lập và triển khai những model hoạt động hiệu quả.

Đây chỉ là một ví dụ về cách tích hợp MLflow cải thiện việc quản lý thử nghiệm trong các ứng dụng AI thị giác. Những tính năng tương tự cũng áp dụng cho các ứng dụng thị giác máy tính khác, bao gồm:

• Lái xe tự hành: Ultralytics YOLO11 có thể được dùng để phát hiện và phân loại người đi bộ, phương tiện và biển báo giao thông theo thời gian thực nhằm cải thiện độ an toàn và hiệu quả của các hệ thống xe tự lái.
• Phân tích bán lẻ: Các model phát hiện đối tượng có thể theo dõi hành vi khách hàng, giám sát vị trí trưng bày sản phẩm và tối ưu hóa hàng tồn kho bằng cách phân tích hoạt động trong cửa hàng thông qua luồng video.
• An ninh và giám sát: Có thể huấn luyện model để phát hiện bất thường hoặc theo dõi hoạt động theo thời gian thực tại các khu vực nhạy cảm nhằm tăng cường an ninh.

Lợi ích của tích hợp MLflow#

Tích hợp MLflow với các model YOLO giúp việc quản lý các thử nghiệm machine learning trở nên dễ dàng và hiệu quả hơn. Bằng cách tự động hóa các tác vụ quan trọng và sắp xếp mọi thứ có tổ chức, tích hợp này giúp bạn tập trung vào việc xây dựng và cải thiện model. Dưới đây là những lợi ích chính:

• Mở rộng quy mô cho các dự án lớn: Nền tảng xử lý hiệu quả nhiều experiment và model, phù hợp với các nhóm lớn hơn và quy trình làm việc phức tạp.
• Lịch sử experiment chi tiết: Nền tảng lưu giữ lịch sử đầy đủ của các experiment, cho phép bạn xem lại những run trước đây, phân tích các cấu hình cũ và rút kinh nghiệm từ kết quả trước đó.
• Tùy chọn tắt và đặt lại: Bạn có thể dễ dàng tắt tính năng ghi nhật ký của MLflow khi không cần dùng, đồng thời đặt lại các thiết lập về mặc định, tạo sự linh hoạt để thích ứng với nhiều yêu cầu quy trình làm việc khác nhau.

Điểm chính cần ghi nhớ#

Tích hợp MLflow giúp việc quản lý và tối ưu hóa các experiment Ultralytics YOLO trở nên dễ dàng và hiệu quả hơn. Bằng cách tự động theo dõi các thông tin quan trọng như tham số, metrics và artifacts, tích hợp này đơn giản hóa quy trình và loại bỏ sự phiền phức của việc quản lý thử nghiệm thủ công.

Dù bạn đang phát triển các giải pháp y tế như phát hiện khối u, cải thiện hệ thống lái xe tự hành hay nâng cao hoạt động phân tích bán lẻ, tích hợp này giúp mọi thứ được sắp xếp có tổ chức và có thể tái lập. Với giao diện trực quan và tính linh hoạt, MLflow cho phép nhà phát triển tập trung vào việc xây dựng model tốt hơn và thúc đẩy đổi mới trong các ứng dụng AI thị giác.

Tham gia cộng đồng và xem repository 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.