Weights & Biases
Weights & Biases (W&B) là nền tảng ML để theo dõi thí nghiệm, chạy quét siêu tham số và quản lý phiên bản model cùng dữ liệu. Bài viết trình bày các tính năng và cách thiết lập YOLO.
Weights & Biases (W&B, hay wandb theo tên package Python) là nền tảng dành cho developer trong lĩnh vực vận hành machine learning (MLOps), dùng để ghi lại, trực quan hóa và so sánh các lượt chạy huấn luyện model. Chỉ cần thêm vài dòng vào script huấn luyện PyTorch hoặc framework khác để gửi cấu hình của từng lượt chạy, chẳng hạn learning rate và batch size, cùng với metric, thống kê GPU và các file đầu ra lên dashboard lưu trữ trên cloud; tại đây, các nhóm có thể so sánh thử nghiệm, tái tạo kết quả và truy vết dữ liệu cũng như cài đặt đã tạo ra model. Ngoài theo dõi thử nghiệm, W&B còn hỗ trợ tinh chỉnh hyperparameter, quản lý phiên bản dataset và model, registry model, cũng như truy vết và đánh giá ứng dụng large language model (LLM) thông qua sản phẩm Weave. Nhà cung cấp cloud GPU CoreWeave hoàn tất thương vụ mua lại Weights & Biases vào tháng 5 năm 2025; tài liệu W&B hiện được lưu trữ trên trang tài liệu CoreWeave.
Các tính năng chính#
- Thử nghiệm:
wandb.init()bắt đầu một lượt chạy và lưu cấu hình của lượt chạy đó;wandb.log()ghi lại metric, hình ảnh và bảng ở mỗi bước. SDK cũng lấy mẫu metric hệ thống như mức sử dụng GPU và bộ nhớ, giúp phát hiện các nút thắt trong quá trình tải dữ liệu. - Sweeps: Tự động tìm kiếm hyperparameter bằng phương pháp lưới, ngẫu nhiên hoặc Bayesian, với các agent chạy thử nghiệm song song trên nhiều máy và tùy chọn dừng sớm các lần chạy kém hiệu quả.
- Artifact: Dataset, checkpoint model và các file khác có quản lý phiên bản, kèm biểu đồ lineage cho biết lượt chạy nào đã sử dụng hoặc tạo ra từng phiên bản.
- Registry: Danh mục được tuyển chọn gồm các phiên bản model và dataset đã phê duyệt, để các nhóm đưa dần vào triển khai.
- Báo cáo: Tài liệu có thể chia sẻ, kết hợp biểu đồ trực tiếp từ các lượt chạy với phần phân tích bằng văn bản.
- Weave: Truy vết, đánh giá và theo dõi chi phí cho ứng dụng LLM và agent.
Sweep tách quá trình tìm kiếm khỏi huấn luyện: một bộ điều khiển lưu trạng thái tìm kiếm và đề xuất cấu hình; số lượng agent tùy ý có thể lấy cấu hình, huấn luyện rồi gửi lại metric mục tiêu.
Sử dụng W&B với Ultralytics YOLO#
Ultralytics YOLO tích hợp sẵn tích hợp W&B, nhưng mặc định tắt. Sau khi bật tính năng này trong cài đặt Ultralytics, mỗi lần chạy huấn luyện ghi lại toàn bộ danh sách đối số, loss và learning rate theo từng epoch, metric validation như precision, recall và độ chính xác trung bình (mAP), cùng các biểu đồ được lưu. Khi kết thúc, hệ thống tải best.pt lên dưới dạng model artifact kèm các đường cong precision-recall và confidence tương tác. Sau đó, có thể nhập các artifact best.pt vào Ultralytics Platform để prediction, export hoặc triển khai.
import os
from ultralytics import YOLO, settings
# Ghi log cục bộ mà không cần API key; tải lên sau bằng "wandb sync", hoặc chạy "wandb login" rồi bỏ ghi chú này
os.environ["WANDB_MODE"] = "offline"
# Bật callback W&B tích hợp sẵn (cần "pip install wandb"; được lưu vào file cài đặt Ultralytics)
settings.update({"wandb": True})
# project và name sẽ trở thành tên project và tên lượt chạy trên W&B
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")Các lượt huấn luyện có cùng project nhưng khác name sẽ xuất hiện cạnh nhau trong cùng một project W&B; nhờ đó có thể so sánh trên một dashboard các lượt chạy dùng kích thước model, kích thước ảnh hoặc cài đặt augmentation khác nhau.
W&B và các thuật ngữ liên quan#
- Trọng số model và bias: Tên nền tảng đề cập đến các tham số có thể học của mạng nơ-ron. Trọng số điều chỉnh tỷ lệ đầu vào của từng neuron, bias dịch chuyển đầu ra trước hàm kích hoạt, còn lan truyền ngược cập nhật cả hai. Nền tảng có thể ghi lại phân phối và gradient của chúng trong quá trình huấn luyện.
- MLflow: Nền tảng mã nguồn mở để theo dõi, đóng gói và đăng ký model, thường được các nhóm tự lưu trữ. W&B chủ yếu là dịch vụ được quản lý, đồng thời cung cấp tùy chọn tự lưu trữ cho doanh nghiệp.
- TensorBoard: Công cụ trực quan hóa cục bộ cho log huấn luyện từ PyTorch và TensorFlow, không có tính năng cộng tác trên nền tảng lưu trữ, sweep hay registry của W&B.
