Ghi log các 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 ghép như thu thập dataset, training model và triển khai model. Khi mọi thứ 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 giống như một trò ghép hình thực tế, không phải phần nào của dự án thị giác máy tính cũng đơn giản. Các tác vụ như theo dõi thí nghiệm (lưu lại các thiết lập, cấu hình và dữ liệu) và ghi log (thu thập kết quả cùng các metric hiệu năng) có thể tốn nhiều thời gian và công sức. Dù các bước này rất quan trọng để cải thiện và tinh chỉnh model thị giác máy tính, đôi khi chúng có thể trở thành điểm nghẽn.

Đó là lúc các model Ultralytics YOLO và 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 cho phép xây dựng các ứng dụng thị giác máy tính đầy tiềm năng. Việc có thể sử dụng các tích hợp như tích hợp MLflow giúp các kỹ sư thị giác tập trung vào bản thân model thay vì bị cuốn 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 training. Trong bài viết này, chúng ta sẽ tìm hiểu cách tích hợp MLflow hoạt động, các lợi ích của nó và cách sử dụng để tinh gọn workflow Ultralytics YOLO.

MLflow là gì?#

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

MLflow bao gồm các thành phần chính sau:

• Ghi log thí nghiệm: Thành phần này tập trung vào việc ghi lại các thông tin quan trọng như thiết lập model, kết quả và file cho mỗi lần training model. Tính năng này giúp bạn so sánh các model, xem những thay đổi ảnh hưởng đến hiệu năng như thế nào và tìm ra model tốt nhất.
• Model registry: 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 testing, staging và production.
• Đóng gói project: MLflow giúp dễ dàng đóng gói các project machine learning, bao gồm code, thiết lập và công cụ cần thiết, để chúng có thể được chia sẻ và sử dụng nhất quán giữa các team và môi trường.
• Triển khai model: MLflow cung cấp các công cụ để nhanh chóng triển khai model đã training đến các workstation hoặc nền tảng cloud như AWS và Azure, giúp chúng sẵn sàng cho việc sử 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 thí nghiệm của MLflow để ghi log các tham số, metric và artifact trong khi training các model YOLO. Tính năng này giúp dễ dàng theo dõi và so sánh các phiên bản model YOLO khác nhau.

Tích hợp MLflow tinh gọn quy trình training#

Sau khi đã tìm hiểu MLflow là gì, hãy cùng đi sâu vào chi tiết về tích hợp MLflow và các tính năng mà nó cung cấp.

Tích hợp MLflow được xây dựng để giúp quy trình training hiệu quả và có tổ chức hơn bằng cách tự động theo dõi và ghi log các khía cạnh quan trọng của thí nghiệm thị giác máy tính. Tích hợp này hỗ trợ ba loại ghi log chính: metric, tham số và artifact.

Dưới đây là cái nhìn chi tiết hơn về từng loại ghi log:

• Ghi log metric: Metric là các giá trị định lượng dùng để đo hiệu năng của model trong quá trình training. Chẳng hạn, các metric như độ chính xác, precision, recall hoặc loss được theo dõi vào cuối mỗi epoch (một lượt chạy đầy đủ qua dataset).
• Ghi log tham số: Tham số là các thiết lập bạn xác định trước khi bắt đầu training model, chẳng hạn như learning rate, batch size (số lượng sample được xử lý trong một bước training) và số epoch. Các tham số này ảnh hưởng đáng kể đến hành vi và hiệu năng của model.
• Ghi log artifact: Artifact là các output hoặc file được tạo ra trong quá trình training. Chúng bao gồm các file thiết yếu như trọng số model (các giá trị số mà model học được trong quá trình training), file cấu hình (lưu trữ các thiết lập training) và dữ liệu liên quan khác.

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

Tích hợp MLflow hoạt động như thế nào#

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 log các thông tin chính của các thí nghiệm training, như đã đề cập ở trên. Điều này loại bỏ nhu cầu theo dõi thủ công và giúp bạn tập trung vào việc tinh chỉnh model.

Với tích hợp MLflow, tất cả các lần training 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 các kết quả đã ghi log, bạn có thể xác định những cấu hình có hiệu năng tốt nhất và sử dụng các thông tin đó để cải thiện model. Điều này đảm bảo workflow của bạn hiệu quả hơn, được ghi chép đầy đủ và có thể tái lập.

Cụ thể, mỗi phiên training được tổ chức thành một thí nghiệm, đóng vai trò như một container cho nhiều run. Trong một thí nghiệm, bạn có thể xem tất cả run liên quan, so sánh hiệu năng cạnh nhau và phân tích xu hướng giữa các cấu hình khác nhau.

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

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

Trong khi đó, ở cấp độ từng run, MLflow cung cấp thông tin chi tiết về phiên training cụ thể. Bạn có thể xem các metric như accuracy, loss và precision theo từng epoch, kiểm tra các tham số training đã sử dụng (ví dụ: batch size và learning rate), đồng thời truy cập các artifact được tạo ra như trọng số model và file cấu hình. Những thông tin này được lưu trữ theo định dạng có tổ chức, giúp dễ dàng xem lại hoặc tái lập bất kỳ run nào.

Lựa chọn tích hợp MLflow: vì sao nổi bật#

Khi đọc 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 tại sao nên chọn nó cho workflow của mình?

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

Dưới đây là lý do MLflow có thể là lựa chọn lý tưởng cho các project YOLO:

• Giao diện thân thiện với người dùng: Dashboard MLflow giúp dễ dàng xem các thí nghiệm, so sánh run và phân tích kết quả, hỗ trợ bạn nhanh chóng xác định các cấu hình có hiệu năng tốt nhất.
• Ghi log metric tùy chỉnh: Các kỹ sư thị giác có thể ghi log metric tùy chỉnh bên cạnh các metric tiêu chuẩn, cho phép phân tích chuyên sâu hơn theo nhu cầu cụ thể của project.
• Hỗ trợ workflow đa ngôn ngữ: MLflow tương thích với nhiều ngôn ngữ lập trình, bao gồm Python, R và Java, tạo điều kiện tích hợp vào các pipeline machine learning đa dạng.

Các ứng dụng thực tế 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 healthcare, trong đó bạn cần training Ultralytics YOLO11 để phát hiện khối u trong ảnh X-quang hoặc ảnh chụp CT.

Trong trường hợp này, dataset sẽ bao gồm các ảnh y khoa đã được gán nhãn. Bạn sẽ cần thử nghiệm với nhiều cấu hình khác nhau, chẳng hạn như điều chỉnh learning rate, batch size và các kỹ thuật tiền xử lý ảnh, để đạt accuracy tối ưu. Do yêu cầu trong healthcare rất cao, đồng thời precision và độ tin cậy đóng vai trò then chốt, việc theo dõi thủ công từng thí 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 log tham số, metric và artifact của mọi thí nghiệm. Ví dụ, nếu bạn thay đổi learning rate hoặc áp dụng một chiến lược augmentation mới, MLflow sẽ ghi lại những thay đổi này cùng với các metric hiệu năng. Ngoài ra, MLflow lưu trọng số và cấu hình của model đã training, đảm bảo các model thành công có thể dễ dàng được tái lập và triển khai.

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

• Lái xe tự động: Ultralytics 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 độ an toàn và hiệu quả của các hệ thống xe tự hành.
• Phân tích bán lẻ: Các model phát hiện đối tượng có thể giám sát hành vi khách hàng, theo dõi vị trí trưng bày sản phẩm và tối ưu hóa hàng tồn kho bằng cách phân tích hoạt động trong cửa hàng qua các luồng video.
• An ninh và giám sát: Các model có thể được training để phát hiện bất thường hoặc giám sát hoạt động theo thời gian thực tại những 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 thí nghiệm machine learning trở nên dễ dàng và hiệu quả hơn. Bằng cách tự động hóa các tác vụ chính và giữ mọi thứ ngăn nắp, tích hợp này cho phép bạn tập trung vào việc xây dựng và cải thiện model. Dưới đây là những lợi ích chính:

• Mở rộng cho các project lớn: Nền tảng xử lý hiệu quả nhiều thí nghiệm và model, phù hợp với các team lớn hơn và workflow phức tạp.
• Lịch sử thí nghiệm chi tiết: Nền tảng duy trì lịch sử đầy đủ của các thí nghiệm, cho phép bạn xem lại các run trước đây, phân tích những cấu hình cũ và rút kinh nghiệm từ các kết quả trước đó.
• Tùy chọn tắt và đặt lại: Có thể dễ dàng tắt tính năng ghi log của MLflow khi không cần thiết và đặt lại các thiết lập về mặc định, mang lại sự linh hoạt để thích ứng với các yêu cầu workflow khác nhau.

Những điểm chính#

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

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

Tham gia cộng đồng của chúng tôi và xem repository GitHub 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.