借助 Weights & Biases 全面增强 Ultralytics

这里介绍 YOLO Vision 2023（YV23）的另一场精彩演讲。活动在马德里的 Google for Startups Campus 举办，主题聚焦机器学习运维，Ultralytics 与 Weights & Biases 携手简化训练工作流。Weights & Biases 机器学习工程师 Soumik Rakshit 演示了如何轻松管理实验和模型检查点，并可视化实验结果。

Weights & Biases 的优势：开发者的理想之选#

Weights & Biases 是一个以开发者为先的 MLOps 平台，用于跟踪、比较和分享机器学习实验。它提供的一系列工具可帮助团队理解并改进模型。

将 Ultralytics 与 W&B 集成#

在演讲中，Soumik 介绍了 Weights & Biases 为 Ultralytics YOLOv8 集成功能所做的工作，包括可视化目标检测推理结果；他还演示了如何在自己的 Ultralytics 工作流中使用这一集成。

从理论到实践：现场演示#

Soumik 演示了端到端的目标检测工作流：使用托管在 Weights & Biases 上的数据集，并通过 Ultralytics 训练模型，以展示这两个平台如何协同工作。

Weights & Biases 控制面板的主要功能#

Weights & Biases 还支持使用控制面板查看训练图表和指标。主要功能包括：

• 实时指标跟踪：在深度学习模型训练期间实时监控准确率、损失和验证分数等关键性能指标，以便及时调整并深入了解模型行为。
• 超参数优化：使用自动化工具或手动方法调整学习率、批量大小和网络架构等超参数，以优化模型性能和收敛效果。
• 训练进度可视化： 通过绘图、图表和直方图查看训练进度，深入了解模型的行为，并掌握训练动态、过拟合情况和收敛模式。
• 资源监控： 跟踪模型训练期间的 CPU、GPU 和内存使用情况等计算资源，确保资源分配高效，并避免可能影响训练性能的资源瓶颈。

如需详细了解各项功能，请参阅 Ultralytics 文档中的 Weights & Biases 仪表板部分。

总结#

Soumik 的演讲展示了使用 Weights & Biases 跟踪实验如何让你更轻松地管理、比较和分享 Ultralytics 训练任务，无论你是经验丰富的机器学习工程师，还是刚开始接触 AI。如果你已经在 W&B 中跟踪 YOLO 训练任务，也可以将这些模型导入 Ultralytics Platform。

在 YouTube 上观看完整演讲。