探索 Ultralytics YOLOv8 的 ML 实验跟踪集成

收集数据并进行标注、训练类似 Ultralytics YOLOv8 模型这样的模型，是任何计算机视觉项目的核心。通常，你需要使用不同的参数多次训练自定义模型，以创建最优模型。使用工具跟踪训练实验，可以让你更轻松地管理计算机视觉项目。实验跟踪是记录每次训练运行详细信息的过程，例如使用的参数、取得的结果，以及过程中所做的任何更改。

图 1. 展示实验跟踪如何融入计算机视觉项目的图像。

记录这些详细信息有助于复现结果、了解哪些方法有效以及哪些方法无效，并更有效地微调模型。对于组织而言，这有助于在团队之间保持一致性、促进协作，并提供清晰的审计追踪。对于个人而言，这意味着对工作进行清晰、有条理的文档记录，从而不断改进方法并随着时间推移取得更好的结果。

本文将带你了解可用于管理和监控 YOLOv8 实验的各种训练集成。无论你是独立工作，还是作为大型团队的一员，了解并使用合适的跟踪工具，都能显著影响YOLOv8 项目的成功。

使用 MLflow 进行机器学习实验跟踪#

MLflow 是 Databricks 开发的开源平台，可简化整个机器学习生命周期的管理。MLflow Tracking 是 MLflow 的一个重要组件，提供 API 和用户界面，帮助数据科学家和工程师记录并可视化机器学习实验。它支持多种语言和接口，包括 Python、REST、Java 和 R API。

MLflow Tracking 可与 YOLOv8 顺畅集成，你可以直接从模型中记录精确率、召回率和损失等重要指标。设置 MLflow 与 YOLOv8 的集成非常简单，并且有多种灵活选项：你可以使用默认的 localhost 设置、连接到各种数据存储，或启动远程 MLflow 跟踪服务器，以便统一管理所有内容。

图 2。MLflow 跟踪环境的常见设置。图片来源：MLflow tracking。

以下信息可以帮助你判断 MLflow 是否适合你的项目：

• 可扩展性： 无论你是在单台机器上工作，还是在大型集群上部署，MLflow 都能很好地适应你的需求。如果你的项目需要从开发阶段扩展到生产环境，MLflow 可以支持这一增长。
• 项目复杂度：MLflow 非常适合需要全面跟踪、模型管理和部署能力的复杂项目。如果你的项目需要这些完整功能，MLflow 可以简化工作流程。
• 设置和维护： MLflow 功能强大，但也存在学习曲线，并会带来一定的设置开销。

使用 Weights & Biases (W&B) 跟踪计算机视觉模型#

Weights & Biases 是一个用于跟踪、可视化和管理机器学习实验的 MLOps 平台。通过将 W&B 与 YOLOv8 搭配使用，你可以在训练和微调模型的同时监控模型性能。W&B 的交互式控制面板能够清晰、实时地展示这些指标，帮助你更轻松地发现趋势、比较模型变体，并在训练过程中排查问题。

W&B 会自动记录训练指标和模型检查点，你还可以使用它微调学习率和批量大小等超参数。该平台支持多种设置选项，从跟踪本地机器上的运行，到使用云存储管理大规模项目。

图 3。Weights & Biases 实验跟踪控制面板示例。图片来源：Weights & Biases track experiments。

以下信息可以帮助你判断 Weights & Biases 是否适合你的项目：

• 增强的可视化和跟踪：W&B 提供直观的控制面板，可实时可视化训练指标和模型性能。
• 定价模式：定价基于跟踪时长，对于预算有限的用户或训练时间较长的项目而言，可能并不理想。

使用 ClearML 进行 MLOps 实验跟踪#

ClearML 是一个开源 MLOps 平台，旨在自动化、监控和编排机器学习工作流程。它支持 PyTorch、TensorFlow 和 Keras 等常用机器学习框架，并可轻松集成到现有流程中。ClearML 还支持在本地机器或云端进行分布式计算，并可监控 CPU 和 GPU 的使用情况。

YOLOv8 与 ClearML 的集成提供了实验跟踪、模型管理和资源监控工具。该平台直观的 Web UI 可让你可视化数据、比较实验，并实时跟踪损失、准确率和验证分数等关键指标。该集成还支持远程执行、超参数调优和模型检查点等高级功能。

图 4。ClearML 实验跟踪可视化示例。图片来源：Clear ML Tracking Experiments and Visualizing Results。

以下信息可以帮助你判断 ClearML 是否适合你的项目：

• 对高级实验跟踪的需求：ClearML 提供强大的实验跟踪功能，包括与 Git 的自动集成。
• 灵活部署：ClearML 可部署在本地、云端或 Kubernetes 集群上，能够适应不同的设置。

使用 Comet ML 跟踪训练实验#

Comet ML 是一个易于使用的平台，可帮助管理和跟踪机器学习实验。YOLOv8 与 Comet ML 的集成让你能够记录实验并查看一段时间内的结果。该集成让你更容易发现趋势并比较不同的运行。

Comet ML 可在云端、虚拟私有云 (VPC) 或本地使用，因此能够适应不同的设置和需求。该工具专为团队协作而设计。你可以共享项目、标记队友并发表评论，让所有人保持信息同步，并准确复现实验。

以下信息可以帮助你判断 Comet ML 是否适合你的项目：

• 支持多种框架和语言： Comet ML 支持 Python、JavaScript、Java、R 等，无论你的项目使用哪些工具或语言，它都是一个灵活的选择。
• 可自定义的控制面板和报告：Comet ML 的界面高度可自定义，因此你可以创建最符合项目需求的报告和控制面板。
• 成本：Comet ML 是商业平台，其部分高级功能需要付费订阅。

使用 TensorBoard 进行可视化#

TensorBoard 是专为 TensorFlow 实验设计的强大可视化工具包，同时也是跟踪和可视化各种机器学习项目指标的优秀工具。TensorBoard 以简洁和快速著称，用户可以轻松跟踪关键指标，并可视化模型图、嵌入向量及其他数据类型。

将 TensorBoard 与 YOLOv8 搭配使用的一大优势是它已预先安装完成，无需额外设置。另一个优势是 TensorBoard 可以完全在本地运行。对于有严格数据隐私要求的项目，或无法上传数据到云端的环境，这一点尤其重要。

图 5. 使用 TensorBoard 监控 YOLOv8 模型训练。

以下信息可以帮助你判断 TensorBoard 是否适合你的项目：

• 使用 What-If Tool (WIT) 实现可解释性：TensorBoard 包含 What-If Tool，提供易于使用的界面，用于探索和理解 ML 模型。对于希望深入了解黑盒模型并提升可解释性的用户来说，它非常有价值。
• 简单的实验跟踪：TensorBoard 适合基本的跟踪需求，但实验比较功能有限，且缺少强大的团队协作、版本控制和隐私管理功能。

使用 DVCLive (DVCLive) 跟踪 ML 实验#

YOLOv8 与 DVCLive 的集成通过将数据集、模型和代码一起进行版本控制，提供了一种简化的实验跟踪和管理方式，同时无需在 Git 中存储大型文件。它使用类似 Git 的命令，并将跟踪的指标存储在纯文本文件中，便于进行版本控制。DVCLive 会记录关键指标、可视化结果，并整洁地管理实验，避免使代码仓库变得杂乱。它支持多种存储提供商，可在本地或云端运行。对于希望在无需额外基础设施或云依赖的情况下简化实验跟踪的团队来说，DVCLive 非常合适。

使用 Ultralytics HUB 管理 Ultralytics 模型和工作流程#

Ultralytics HUB 是一个内部的一体化平台，旨在简化 Ultralytics YOLO 模型（例如 YOLOv5 和 YOLOv8）的训练、部署和管理。与外部集成不同，Ultralytics HUB 提供专为 YOLO 用户打造的无缝原生体验。它简化了整个流程，让你可以在易于使用的 HUB 界面中轻松上传数据集、选择预训练模型，并只需点击几下即可使用云资源开始训练。Ultralytics HUB 还支持实验跟踪，让你可以轻松监控训练进度、比较结果和微调模型。

图 6. 使用 Ultralytics HUB 监控 YOLOv8 模型训练。

要点总结#

选择合适的工具来跟踪机器学习实验，会带来显著影响。我们讨论的所有工具都可以帮助跟踪 YOLOv8 训练实验，但你需要权衡每种工具的优缺点，找到最适合项目的方案。合适的工具可以让你保持井然有序，并帮助提升 YOLOv8 模型的性能！

集成可以简化在创新项目中使用 YOLOv8 的过程，并加快你的进展。要探索更多精彩的 YOLOv8 集成，请查看我们的文档。

通过探索我们的 GitHub 仓库并加入我们的社区，进一步了解 AI。查看我们的解决方案页面，详细了解 AI 在制造业和医疗保健领域的应用。🚀