探索 Ultralytics YOLOv8 的机器学习实验追踪集成

收集数据、进行标注并训练诸如 Ultralytics YOLOv8 模型之类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，以创建最优化的模型。使用工具来跟踪训练实验可以让管理你的计算机视觉项目变得更轻松。实验跟踪是记录每次训练运行详情的过程——例如你使用的参数、获得的成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片。

保留这些详情的记录有助于你复现结果、了解哪些方法有效而哪些无效，并更有效地微调你的模型。对于组织而言，它有助于保持团队间的一致性，促进协作并提供清晰的审计追踪。对于个人而言，这关系到保留清晰且有组织的文档，让你能够随着时间的推移改进你的方法并取得更好的成果。

在本文中，我们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真正影响你 YOLOv8 项目的成功。

Link to this section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 集成顺畅，你可以直接从模型中记录重要指标，如精度 (precision)、召回率 (recall) 和损失 (loss)。设置 MLflow 与 YOLOv8 的集成非常简单，且拥有灵活的选择：你可以使用默认的 localhost 设置、连接到各种数据存储，或启动一个远程 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。

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

Weights & Biases is an MLOps platform for tracking, visualizing, and managing machine learning experiments. By using W&B with YOLOv8, you can monitor your models’ performance as you train and fine-tune them. W&B’s interactive dashboard provides a clear, real-time view of these metrics and makes it easier to spot trends, compare model variants, and troubleshoot issues during the training process.

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学习率和批量大小 (batch size) 等超参数。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。

Link to this section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 UI 允许你实时可视化数据、比较实验并跟踪损失、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 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。

Link to this section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 的集成让你能够记录实验并查看随时间变化的结果。该集成使得发现趋势和比较不同运行变得更加容易。

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。

Link to this sectionTensorBoard 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预装得非常方便，消除了额外设置的需要。另一个好处是 TensorBoard 能够完全在本地运行。这对有严格数据隐私要求的项目，或在无法进行云上传的环境中运行的项目而言尤其关键。

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。

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

YOLOv8 与 DVCLive 的集成通过对数据集、模型和代码进行版本控制，提供了一种简化实验跟踪和管理的途径，而无需将大文件存储在 Git 中。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，以便于版本控制。DVCLive 可以记录关键指标、可视化结果并清晰地管理实验，而不会使你的仓库变得混乱。它支持多种存储提供商，可以在本地或云端工作。DVCLive 非常适合希望在不依赖额外基础设施或云的情况下简化实验跟踪的团队。

Link to this section使用 Ultralytics HUB 管理 Ultralytics 模型和工作流程#

Ultralytics HUB is an in-house, all-in-one platform designed to simplify the training, deployment, and management of Ultralytics YOLO models like YOLOv5 and YOLOv8. Unlike external integrations, Ultralytics HUB offers a seamless, native experience created specifically for YOLO users. It simplifies the entire process, allowing you to easily upload datasets, choose pre-trained models, and start training with just a few clicks using cloud resources - all within the HUB’s easy-to-use interface. Ultralytics HUB also supports experiment tracking, making monitoring training progress, comparing results, and fine-tuning models easy.

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

Link to this section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 YOLOv8 在你的创新项目中的使用，并加快你的进度。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 存储库并加入我们的社区来了解更多关于 AI 的信息。查看我们的解决方案页面，深入了解 AI 在制造业和医疗保健中的应用。🚀