探索 Ultralytics YOLOv8 的机器学习实验追踪集成

收集数据、进行标注以及训练诸如Ultralytics YOLOv8 model之类的模型是任何计算机视觉项目的核心。通常，为了创建最优化模型，你需要使用不同的参数多次训练自定义模型。使用工具来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细节的过程，例如使用的参数、取得的结果以及一路下来所做的任何更改。

图 1. 一张展示实验跟踪如何融入计算机视觉项目的图片。

记录这些细节有助于你重现结果、了解哪些方法有效、哪些无效，并更有效地微调你的模型。对于组织而言，它有助于保持团队之间的一致性、促进协作并提供清晰的审计跟踪。对于个人而言，它关乎维护清晰且有条理的文档工作，以便你改进方法并随着时间推移取得更好的结果。

在本文中，我们将带你了解用于管理和监控 YOLOv8 实验的不同训练集成。无论你是独自工作还是作为较大团队的一部分，理解并使用正确的跟踪工具都能对你YOLOv8 项目的成功产生真正的实质性影响。

使用 MLflow 进行机器学习实验跟踪#

MLflow 是由 Databricks 开发的一个开源平台，旨在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，它提供了一个 API 和用户界面，帮助数据科学家和工程师记录并可视化他们的机器学习实验。它支持多种语言和接口，包括 Python、REST、Java 和 R API。

MLflow Tracking 与 YOLOv8 无缝集成，你可以直接从模型中记录诸如精确度、召回率和损失等重要指标。设置 MLflow 与 YOLOv8 非常直接，并且有灵活的选项：你可以使用默认的 localhost 设置、连接到各种数据存储，或者启动一个远程 MLflow 跟踪服务器来保持一切井井有条。

图 2. MLflow 跟踪环境的常见设置。图片来源：MLflow 跟踪。

以下是一些建议，帮助你判断 MLflow 是否适合你的项目：

• 可扩展性： 无论你是使用单机还是部署在大型集群上，MLflow 都能很好地满足你的需求。如果你的项目涉及从开发到生产的扩展，MLflow 可以支持这种增长。
• 项目复杂度：MLflow 是需要全面跟踪、模型管理和部署功能的复杂项目的理想选择。如果你的项目需要这些全方位功能，MLflow 可以简化你的工作流程。
• 设置与维护： 虽然功能强大，但 MLflow 的学习曲线和设置开销确实存在。

使用 Weights & Biases (W&B) 进行计算机视觉模型跟踪#

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。通过在 YOLOv8 中使用 W&B，你可以在训练和微调模型性能时对其进行监控。W&B 的交互式仪表板提供了这些指标清晰的实时视图，使你更容易在训练过程中发现趋势、比较模型变体并排查问题。

W&B 会自动记录训练指标和模型检查点，你甚至可以使用它来微调诸如学习率和批次大小之类的超参数。该平台支持广泛的设置选项，从在本地机器上跟踪运行到使用云存储管理大规模项目。

图 3. Weights & Biases 实验跟踪仪表板示例。图片来源：Weights & Biases 跟踪实验。

以下是一些建议，帮助你判断 Weights & Biases 是否适合你的项目：

• 增强的可视化与跟踪：W&B 提供了一个直观的仪表板，用于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，对于预算有限或涉及长时间训练项目的用户来说，这可能并不理想。

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 等主流机器学习框架，并且可以轻松与你现有的流程集成。ClearML 还支持在本地机器或云端进行分布式计算，并能监控 CPU 和 GPU 的使用情况。

YOLOv8 与 ClearML 的集成提供了用于实验跟踪、模型管理和资源监控的工具。该平台直观的 Web 用户界面允许你实时可视化数据、比较实验并跟踪诸如损失、准确率和验证得分等关键指标。该集成还支持诸如远程执行、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 跟踪实验并可视化结果。

以下是一些建议，帮助你判断 ClearML 是否适合你的项目：

• 需要高级实验跟踪：ClearML 提供了强大的实验跟踪功能，其中包括与 Git 的自动集成。
• 灵活的部署：ClearML 可用于本地、云端或 Kubernetes 集群，使其能够适应不同的设置。

使用 Comet ML 跟踪训练实验#

Comet ML 是一个用户友好的平台，有助于管理和跟踪机器学习实验。YOLOv8 与 Comet ML 的集成允许你记录实验并随着时间推移查看结果。该集成使发现趋势和比较不同的运行变得更加容易。

Comet ML 可用于云端、虚拟私有云 (VPC) 甚至本地，使其能够适应不同的设置和需求。此工具专为团队协作而设计。你可以共享项目、标记队友并留下评论，以便每个人都能保持同步并准确复现实验。

以下是一些建议，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 适用于 Python、JavaScript、Java、R 等，无论你的项目使用什么工具或语言，它都是一个多功能的选项。
• 可自定义的仪表板和报告：Comet ML 的界面高度可自定义，因此你可以创建最符合你项目需求的报告和仪表板。
• 成本：Comet ML 是一个商业平台，其部分高级功能需要付费订阅。

TensorBoard 有助于进行可视化#

TensorBoard 是一个功能强大的可视化工具包，专为 TensorFlow 实验设计，但它也是跟踪和可视化广泛机器学习项目指标的绝佳工具。TensorBoard 以其简洁和快速而闻名，使用户能够轻松跟踪关键指标并可视化模型图、嵌入 (embeddings) 和其他数据类型。

将 TensorBoard 与 YOLOv8 配合使用的一个主要优势是它自带预安装，无需额外的设置。另一个好处是 TensorBoard 能够完全在本地运行。这对于具有严格数据隐私要求或处于无法上传云端环境的项目尤为关键。

图 5. 使用 TensorBoard 监控 YOLOv8 模型训练。

以下是一些建议，帮助你判断 TensorBoard 是否适合你的项目：

• 利用 What-If Tool (WIT) 实现可解释性：TensorBoard 包含 What-If Tool，它提供了一个易于使用的界面来探索和理解机器学习模型。对于那些希望深入了解“黑盒”模型并提高可解释性的人来说，这非常有价值。
• 简单的实验跟踪：TensorBoard 适用于基本的跟踪需求，但实验比较有限，且缺乏强大的团队协作功能、版本控制和隐私管理。

使用 DVCLive (Data Version Control Live) 跟踪机器学习实验#

YOLOv8 与 DVCLive 的集成提供了一种简化的方法，通过对数据集、模型和代码进行统一版本控制来跟踪和管理实验，而无需在 Git 中存储大文件。它使用类似于 Git 的命令，并将跟踪的指标存储在纯文本文件中以便于版本控制。DVCLive 记录关键指标、可视化结果并干净地管理实验，而不会弄乱你的仓库。它支持广泛的存储提供商，并且可以在本地或云端运行。DVCLive 非常适合希望简化实验跟踪而又无需额外基础设施或云依赖的团队。

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

Ultralytics HUB 是一个内部的多合一平台，旨在简化诸如 YOLOv5 和 YOLOv8 等 Ultralytics YOLO 模型的训练、部署和管理。与外部集成不同，Ultralytics HUB 提供了专为 YOLO 用户打造的无缝原生体验。它简化了整个过程，允许你只需点击几下即可使用云资源轻松上传数据集、选择预训练模型并开始训练——这一切都在HUB 易于使用的界面内完成。Ultralytics HUB 还支持实验跟踪，使监控训练进度、比较结果和微调模型变得轻而易举。

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

关键要点#

选择合适的工具来跟踪机器学习实验会产生很大影响。我们讨论的所有工具都有助于跟踪 YOLOv8 训练实验，但权衡每个工具的优缺点以找到最适合你的项目的方法非常重要。正确的工具将让你井井有条，并有助于提高你的 YOLOv8 模型性能！

集成可以简化在创新项目中使用 YOLOv8 的过程并加速你的进展。要探索更多令人兴奋的 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，深入了解 AI。查看我们的解决方案页面，获取有关 AI 在制造业和医疗保健领域应用的详细见解。🚀