探索 Ultralytics YOLOv8 的机器学习实验跟踪集成

收集数据并进行标注，然后训练像 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，才能找到性能最佳的模型。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，例如所用参数、取得的结果，以及过程中做出的任何更改。

图 1.展示实验跟踪在计算机视觉项目中作用的图片。

记录这些详细信息有助于你复现结果、了解哪些方法有效、哪些无效，并更有效地微调模型。对组织而言，这有助于保持团队间的一致性、促进协作，并提供清晰的审计跟踪。对个人而言，这意味着要对工作进行清晰、有条理的文档记录，以便不断改进方法，随着时间推移取得更好的结果。

本文将介绍用于管理和监控 YOLOv8 实验的各种训练集成。无论你是独立工作还是团队协作，了解并使用合适的跟踪工具，都能切实影响 YOLOv8 项目的成效。

使用 MLflow 跟踪机器学习实验#

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 的核心组件，可提供 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 与 YOLOv8 无缝集成，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。将 MLflow 与 YOLOv8 配合使用十分简单，而且提供灵活的选项：你可以使用默认的 localhost 配置、连接各种数据存储，或启动远程 MLflow 跟踪服务器，让所有内容井然有序。

图 2. MLflow 跟踪环境的常见配置。图片来源：MLflow Tracking。

以下几点可以帮助你判断 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 都能根据需求灵活扩展。如果你的项目需要从开发阶段扩展到生产阶段，MLflow 可以支持这一发展。
• 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，但也需要一定的学习成本和设置工作。

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 配合使用，你可以在训练和微调模型时监控模型性能。W&B 的交互式仪表板可以清晰地实时展示这些指标，方便你发现趋势、比较不同模型，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，你甚至可以用它微调学习率和批量大小等超参数。该平台支持多种配置方式，从在本地计算机上跟踪运行，到使用云存储管理大型项目，都能胜任。

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

以下几点可以帮助你判断 Weights & Biases 是否适合你的项目：

• 增强可视化和跟踪功能：W&B 提供直观的仪表板，可实时呈现训练指标和模型性能。

使用 ClearML 跟踪 MLOps 实验#

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 等热门机器学习框架，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 支持你可视化数据、比较实验，并实时跟踪损失、准确率和验证分数等关键指标。此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：ClearML Tracking Experiments and Visualizing Results。

以下几点可以帮助你判断 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 可用于本地部署、云端或 Kubernetes 集群，因此能够适应不同的配置。

使用 Comet ML 跟踪训练实验#

Comet ML 是一个易于使用的平台，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。该集成让你更容易发现趋势并比较不同的运行记录。

Comet ML 可在云端、虚拟私有云 (VPC) 或本地部署环境中使用，能够适应不同的配置和需求。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，让所有人保持同步并准确复现实验。

以下几点可以帮助你判断 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 等语言，无论项目使用何种工具或语言，都是一个灵活的选择。
• 可自定义的仪表板和报告：Comet ML 的界面具有很高的可定制性，因此你可以创建最适合项目需求的报告和仪表板。
• 成本：Comet ML 是一个商业平台，部分高级功能需要付费订阅。

TensorBoard 助你实现可视化#

TensorBoard 是一款专为 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 以简单、快速著称，用户可以轻松跟踪关键指标，并可视化模型图、嵌入向量和其他类型的数据。

将 TensorBoard 与 YOLOv8 配合使用的一大优势是几乎不需要进行额外设置：安装 tensorboard 软件包，并通过 yolo settings tensorboard=True 启用一次日志记录即可。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，或无法将数据上传到云端的环境，这一点尤其重要。

图 5.使用 TensorBoard 监控 YOLOv8 模型训练。

以下几点可以帮助你判断 TensorBoard 是否适合你的项目：

• 简单的实验跟踪：TensorBoard 适合基本的跟踪需求，但实验比较能力有限，而且缺少强大的团队协作功能、版本控制和隐私管理功能。

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实验跟踪和管理的方式：将数据集、模型和代码一并进行版本控制，而无需在 Git 中存储大文件。它使用类似 Git 的命令，并将跟踪的指标存储为纯文本文件，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，不会让代码仓库变得杂乱。它支持多种存储服务提供商，可在本地或云端运行。对于希望简化实验跟踪、又不想增加基础设施或依赖云服务的团队来说，DVCLive 非常合适。

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

Ultralytics HUB（现为 Ultralytics Platform）是一个内部的一体化平台，旨在简化 Ultralytics YOLO 模型（如 YOLOv5 和 YOLOv8）的训练、部署和管理。与外部集成不同，Ultralytics HUB 为 YOLO 用户提供专门打造的原生体验。它简化了整个流程，让你只需点击几下，就能轻松上传数据集、选择预训练模型，并使用云端资源开始训练——整个过程都可以在易于使用的 HUB 界面中完成。Ultralytics HUB 还支持实验跟踪，方便你监控训练进度、比较结果并微调模型。

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

要点#

选择合适的机器学习实验跟踪工具，能带来显著影响。我们讨论的所有工具都能帮助跟踪 YOLOv8 训练实验，但你需要权衡各自的优缺点，找到最适合项目的工具。合适的工具能帮你保持工作有序，并提升 YOLOv8 模型的性能！

集成可以简化你在项目中使用 YOLOv8 的过程，加快项目进展。如需了解更多 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，深入了解 AI 在制造业和医疗保健领域的应用。