Weights & Biases

Weights & Biases（W&B；其 Python 包名为 wandb）是一个面向开发者的机器学习运维（MLOps）平台，可记录、可视化和比较模型训练运行情况。只需在 PyTorch 或其他训练脚本中添加几行代码，就能将每次运行的配置（例如学习率和批次大小）、指标、GPU统计信息和输出文件发送到托管式仪表板。团队可以在仪表板上比较实验、复现结果，并追踪生成模型时使用的数据和设置。除了实验跟踪，W&B 还提供超参数调优、数据集和模型版本管理、模型注册表，以及通过 Weave 产品提供的大型语言模型（LLM）应用追踪和评估功能。GPU 云服务提供商 CoreWeave 于 2025 年 5 月完成对 Weights & Biases 的收购；现在，W&B 文档托管在 CoreWeave 文档网站上。

核心功能#

• 实验：wandb.init() 会启动一次运行并存储其配置，wandb.log() 则会在每个步骤记录指标、图像和表格。SDK 还会采集 GPU 利用率和内存等系统指标，帮助发现数据加载瓶颈。
• Sweep：使用网格、随机或贝叶斯方法自动搜索超参数；搜索智能体可在多台机器上并行运行试验，并可选择提前终止表现不佳的运行。
• 工件：为数据集、模型检查点和其他文件提供版本管理，并通过血缘图显示每个版本由哪次运行使用或生成。
• 注册表：经过整理的模型和数据集版本目录，团队可从中选择已批准的版本并推进部署。
• 报告：可分享的文档，可将运行中的实时图表与文字分析结合起来。
• Weave：为 LLM 和智能体应用提供追踪、评估和成本跟踪功能。

Sweep 会将搜索过程与训练过程分开：控制器负责保存搜索状态并提出配置，任意数量的代理都可以获取配置、执行训练，并将目标指标反馈回来。

在 Ultralytics YOLO 中使用 W&B#

Ultralytics YOLO 内置W&B 集成，默认处于关闭状态。在Ultralytics 设置中启用后，每次训练运行都会记录完整参数列表、每个周期的损失和学习率、精确率、召回率和平均精度均值 (mAP)等验证指标，以及保存的图表；训练结束时，它还会将 best.pt 作为模型制品上传，并附上可交互的精确率-召回率曲线和置信度曲线。之后可以将这些 best.pt 制品导入 Ultralytics Platform，用于预测、导出或部署。

import os

from ultralytics import YOLO, settings

# 在本地记录而不使用 API 密钥；稍后使用 "wandb sync" 上传，或运行 "wandb login" 并删除此行
os.environ["WANDB_MODE"] = "offline"

# 启用内置 W&B 回调（需要 "pip install wandb"；设置将保存到 Ultralytics 设置文件）
settings.update({"wandb": True})

# project 和 name 会分别成为 W&B 项目名称和运行名称
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

共享同一个 project、但 name 不同的训练运行会并排显示在同一个 W&B 项目中，因此可以在一个仪表板上比较使用不同模型尺寸、图像尺寸或数据增强设置的运行。

W&B 与相关术语#

• 模型权重和偏置：平台名称指的是神经网络中可学习的参数。权重会缩放每个神经元的输入，偏置会在激活函数处理前偏移其输出，而反向传播会更新这两者。平台可以在训练期间记录权重和偏置的分布及梯度。
• MLflow：一个用于跟踪、打包和注册模型的开源平台，团队通常会自行托管。W&B 主要是托管服务，也为企业提供自托管选项。
• TensorBoard：用于可视化 PyTorch 和 TensorFlow 训练日志的本地工具，不提供 W&B 的托管式协作、Sweep 或注册表功能。