Weights & Biases

Weights & Biases (thường được viết tắt là W&B hoặc WandB) là một nền tảng ưu tiên nhà phát triển nổi bật được thiết kế để hợp lý hóa các Hoạt động Học máy (MLOps) . Nó hoạt động như một hệ thống lưu trữ tập trung cho các kỹ sư học máy và nhà khoa học dữ liệu, cho phép họ track thí nghiệm, trực quan hóa hiệu suất mô hình và quản lý tập dữ liệu. Trong vòng đời phức tạp của học máy (ML) , việc duy trì track Việc xử lý mọi thay đổi cấu hình và kết quả đều rất khó khăn; W&B giải quyết vấn đề này bằng cách tự động ghi lại các số liệu và sắp xếp chúng vào bảng điều khiển tương tác. Điều này cho phép các nhóm so sánh các đợt đào tạo khác nhau, đảm bảo khả năng tái tạo và cộng tác hiệu quả trong các dự án, từ nghiên cứu học thuật đến triển khai thị giác máy tính (CV) quy mô doanh nghiệp.

Phân biệt Nền tảng với các Khái niệm

Để hiểu công cụ này, điều cần thiết là phải phân biệt nó với các khái niệm mạng nơ-ron (NN) cơ bản mà nó được đặt tên theo.

• Weights & Biases (Nền tảng): Đây là dịch vụ phần mềm và thư viện hoạt động như một công cụ theo dõi thử nghiệm toàn diện. Nó tích hợp với các nền tảng phổ biến để giám sát quá trình đào tạo, quản lý tài nguyên hệ thống và lưu trữ các hiện vật mô hình.
• Trọng số (Tham số): Trong bối cảnh học sâu, trọng số mô hình là các hệ số có thể học được, giúp chuyển đổi dữ liệu đầu vào trong các lớp của mạng. Chúng xác định cường độ kết nối giữa các nơ-ron.
• Độ lệch (Tham số): Đây là các giá trị có thể học được bổ sung cho phép dịch chuyển hàm kích hoạt sang trái hoặc phải, giúp mô hình phù hợp hơn với dữ liệu bằng cách cung cấp độ lệch.

Trong khi các tham số ( weights and biases ) là các thành phần toán học được tối ưu hóa trong quá trình đào tạo thông qua phương pháp giảm dần độ dốc ngẫu nhiên ( SGD ) , nền tảng ( Weights & Biases ) là tiện ích được sử dụng để quan sát và phân tích quá trình tối ưu hóa đó.

Khả năng và ứng dụng chính

Nền tảng W&B cung cấp bộ công cụ giải quyết những thách thức cụ thể trong quy trình phát triển trí tuệ nhân tạo (AI) .

• Theo dõi Thử nghiệm: Các nhà phát triển có thể ghi lại các số liệu động như hàm mất mát và độ chính xác theo thời gian. Điều này giúp xác định các vấn đề như quá khớp , khi mô hình học dữ liệu huấn luyện quá tốt nhưng không thể khái quát hóa.
• Điều chỉnh siêu tham số: Việc tìm cấu hình tốt nhất cho một mô hình—chẳng hạn như tốc độ học tập , kích thước lô hoặc kiến trúc mạng—được đơn giản hóa bằng cách sử dụng W&B Sweeps , tự động tìm kiếm các giá trị tối ưu.
• Quản lý phiên bản dữ liệu và mô hình: Thông qua W&B Artifacts , các nhóm có thể track nguồn gốc dữ liệu và mô hình đã lưu của họ. Điều này đảm bảo rằng bất kỳ kết quả nào cũng có thể được tái tạo bằng cách truy xuất phiên bản chính xác của dữ liệu đào tạo và mã đã sử dụng.
• Hình ảnh tương tác: Nền tảng này hiển thị nội dung đa phương tiện phong phú, cho phép người dùng xem các hộp giới hạn dự đoán trên hình ảnh hoặc lớp phủ mặt nạ phân đoạn, giúp hình ảnh hóa dữ liệu và gỡ lỗi tốt hơn.

Ví dụ tích hợp trong thế giới thực

Weights & Biases được sử dụng rộng rãi trong các ngành công nghiệp đòi hỏi xác thực mô hình nghiêm ngặt và phát triển hợp tác.

• Phát hiện đối tượng ô tô: Một nhóm phát triển công nghệ tự lái có thể sử dụng Ultralytics YOLO11 để detect Người đi bộ và phương tiện. Bằng cách tích hợp W&B, họ có thể trực quan hóa các dự đoán dữ liệu xác thực qua hàng nghìn kỷ nguyên . Điều này cho phép họ phát hiện các trường hợp lỗi cụ thể, chẳng hạn như phát hiện bị bỏ sót trong điều kiện ánh sáng yếu, và điều chỉnh chiến lược tăng cường dữ liệu cho phù hợp.
• Phân tích hình ảnh y tế: Các nhà nghiên cứu AI trong lĩnh vực chăm sóc sức khỏe sử dụng W&B để duy trì nhật ký thí nghiệm chính xác khi đào tạo mô hình phát hiện khối u. Do tính chất quan trọng của lĩnh vực này, việc sử dụng các công cụ giám sát mô hình để track các số liệu như thu hồi và độ chính xác rất quan trọng để tuân thủ quy định và đảm bảo an toàn cho bệnh nhân.

Thực hiện W&B với Ultralytics

Tích hợp Weights & Biases với các khuôn khổ hiện đại như PyTorch hoặc các thư viện cụ thể như Ultralytics rất đơn giản. Thư viện tự động phát hiện sự hiện diện của W&B và ghi lại các số liệu quan trọng mà không cần mã mẫu phức tạp.

Ví dụ sau đây minh họa cách đào tạo một YOLO11 mô hình trong khi tự động ghi nhật ký chạy vào Trọng số & Độ lệch. Đảm bảo bạn đã chạy pip install wandb và được xác thực thông qua wandb login trong terminal của bạn trước khi chạy tập lệnh.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Tích hợp này ghi lại các số liệu hệ thống, chẳng hạn như mức sử dụng GPU và số liệu mô hình, cung cấp cái nhìn toàn diện về hiệu suất đào tạo. Để có thông tin chi tiết hơn, người dùng có thể khám phá hướng dẫn tích hợp Ultralytics để tùy chỉnh nội dung được ghi lại.