Weights & Biases

Weights & Biases (thường được viết tắt là W&B hoặc WandB) là một nền tảng Vận hành Học máy (MLOps) toàn diện được thiết kế để giúp các nhà khoa học dữ liệu và kỹ sư học máy tối ưu hóa quy trình phát triển mô hình của họ. Là một công cụ ưu tiên nhà phát triển, nó hoạt động như một hệ thống ghi chép trung tâm để theo dõi các thử nghiệm, quản lý phiên bản tập dữ liệu và mô hình, và trực quan hóa các chỉ số hiệu suất theo thời gian thực. Trong bối cảnh phức tạp của trí tuệ nhân tạo , việc duy trì khả năng tái tạo và tính minh bạch trong các lần chạy huấn luyện là rất quan trọng; Weights & Biases Giải quyết vấn đề này bằng cách tự động ghi nhật ký các siêu tham số, số liệu hệ thống và tệp đầu ra, cho phép các nhóm so sánh các thử nghiệm khác nhau và xác định cấu hình hoạt động tốt nhất một cách hiệu quả.

Các năng lực cốt lõi trong học máy

Giá trị chính của Weights & Biases Điểm mạnh của nó nằm ở khả năng tổ chức quá trình huấn luyện các mô hình học sâu thường khá hỗn loạn. Nó cung cấp một bộ công cụ tích hợp trực tiếp với các framework phổ biến như PyTorch và hệ sinh thái Ultralytics .

• Theo dõi thử nghiệm : Tính năng này ghi lại tất cả các tham số cấu hình, chẳng hạn như tốc độ học , kích thước lô và kiến ​​trúc mô hình. Nó cũng ghi lại các chỉ số động như hàm mất mát và độ chính xác theo thời gian, hiển thị chúng trong các biểu đồ tương tác.
• Tối ưu hóa siêu tham số : W&B Sweeps tự động hóa quá trình điều chỉnh siêu tham số . Bằng cách khám phá các tổ hợp tham số khác nhau, người dùng có thể tối đa hóa các chỉ số hiệu suất của mô hình như Độ chính xác trung bình ( mAP ) mà không cần can thiệp thủ công.
• Quản lý hiện vật : Để đảm bảo theo dõi nguồn gốc đầy đủ, W&B Artifacts kiểm soát phiên bản các tập dữ liệu và điểm kiểm tra mô hình. Điều này cho phép người dùng theo dõi chính xác phiên bản dữ liệu nào đã tạo ra một mô hình cụ thể, một thành phần quan trọng của việc giám sát mô hình mạnh mẽ.
• Giám sát hệ thống : Nền tảng này theo dõi việc sử dụng phần cứng, bao gồm mức độ sử dụng GPU , mức tiêu thụ bộ nhớ và nhiệt độ. Điều này giúp xác định các điểm nghẽn và đảm bảo phân bổ tài nguyên hiệu quả trong các phiên huấn luyện đòi hỏi nhiều tài nguyên tính toán.

Các Ứng dụng Thực tế

Weights & Biases Nó được sử dụng rộng rãi trong nhiều ngành công nghiệp khác nhau để đẩy nhanh quá trình triển khai các giải pháp thị giác máy tính và xử lý ngôn ngữ tự nhiên (NLP).

1. Nghiên cứu và Phát triển Hợp tác : Các nhóm nghiên cứu AI lớn sử dụng W&B để chia sẻ kết quả thử nghiệm ngay lập tức. Ví dụ, một nhóm phát triển hệ thống nhận thức cho xe tự hành có thể có nhiều kỹ sư huấn luyện các kiến ​​trúc phát hiện đối tượng khác nhau. W&B tổng hợp các lần chạy này vào một bảng điều khiển duy nhất, cho phép nhóm cùng nhau phân tích kiến ​​trúc nào xử lý các trường hợp ngoại lệ tốt nhất, thúc đẩy chu kỳ lặp lại nhanh hơn.
2. Bảo trì mô hình sản xuất : Trong môi trường công nghiệp, chẳng hạn như kiểm soát chất lượng sản xuất, các mô hình phải được huấn luyện lại định kỳ với dữ liệu mới để ngăn ngừa sự sai lệch dữ liệu . W&B giúp các kỹ sư so sánh hiệu suất của một mô hình sản xuất tiềm năng với mô hình cơ sở hiện tại, đảm bảo rằng chỉ những mô hình có độ chính xác và độ thu hồi vượt trội mới được triển khai đến thiết bị đầu cuối.

Tích hợp với Ultralytics YOLO

Sự tích hợp giữa Weights & Biases Và Ultralytics Nó hoạt động liền mạch, cung cấp khả năng trực quan hóa phong phú cho các tác vụ phát hiện đối tượng , phân đoạn và ước tính tư thế. Khi huấn luyện một mô hình hiện đại như YOLO26 , quá trình tích hợp sẽ tự động ghi lại các chỉ số, dự đoán hộp giới hạn và ma trận nhầm lẫn .

Đoạn mã này minh họa cách tận dụng khả năng ghi nhật ký tự động. Chỉ cần cài đặt ứng dụng khách, quá trình đào tạo sẽ đồng bộ hóa kết quả lên đám mây.

from ultralytics import YOLO

# Ensure the wandb client is installed
# pip install wandb

# Load the YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The integration automatically detects wandb and logs metrics
model.train(data="coco8.yaml", epochs=5, project="YOLO26_Experiments", name="run_01")

Sự khác biệt: Tham số của nền tảng so với tham số của mạng nơ-ron

Điều quan trọng là phải phân biệt nền tảng " Weights & Biases "Từ những khái niệm cơ bản về mạng nơ-ron như trọng số và độ lệch ."

• Weights and Biases (Tham số): Trong mạng nơ-ron , "trọng số" là các tham số có thể học được, xác định độ mạnh của kết nối giữa các nơ-ron, và "độ lệch" là các tham số bổ sung cho phép thay đổi hàm kích hoạt . Đây là các giá trị toán học được tối ưu hóa trong quá trình lan truyền ngược .
• Weights & Biases (Nền tảng): Đây là công cụ phần mềm bên ngoài được thảo luận trên trang này. Trong khi nền tảng theo dõi các giá trị và độ dốc của mạng nơ-ron... weights and biases Về mặt phân tích, nó là một lớp quản lý nằm trên dữ liệu và quy trình huấn luyện , chứ không phải là các thành phần toán học trực tiếp.

Đối với người dùng muốn quản lý toàn bộ vòng đời bao gồm chú thích và triển khai cùng với theo dõi thử nghiệm, Nền tảng Ultralytics cũng cung cấp các công cụ mạnh mẽ bổ sung cho việc ghi nhật ký số liệu chi tiết được cung cấp bởi tích hợp Weights & Biases .