Weights & Biases

Weights & Biases (W&B) 是一个领先的 机器学习运维 (MLOps) 平台，旨在帮助开发人员和团队更快地构建更好的模型。它提供了一套用于实验跟踪、数据集版本控制和模型管理的工具，从而简化了从训练到生产的整个 机器学习 生命周期。通过集中关键信息，W&B 能够增强协作、可重复性和对模型性能的洞察力。对于涉及迭代开发的项目（例如 超参数调整 和性能优化），它是一个必不可少的工具。您可以学习如何在官方文档中将 W&B 与您的 Ultralytics 项目集成。

Weights & Biases 的核心功能

W&B 平台提供几个关键功能，可以解决 AI 开发中的常见挑战：

• 实验跟踪： 自动记录超参数、性能指标（如精确率和召回率）以及系统指标（如GPU利用率）。这使开发人员可以轻松比较不同的训练运行，并了解代码或数据更改的影响。有关更多信息，您可以浏览有关ML 实验跟踪的指南。
• 用于版本控制的 Artifacts： W&B Artifacts 为数据集和模型权重提供强大的版本控制。通过捕获所使用的确切代码、数据和配置，确保每个结果都可重现，这对于研究和商业模型部署都至关重要。您可以在官方W&B Artifacts 文档中阅读更多相关信息。
• 交互式可视化： 该平台包括强大的交互式仪表板，用于可视化结果。用户可以创建自定义图表，分析 特征图，并通过实时检查 边界框 或图像掩码等输出来调试模型行为。
• 协作和报告：W&B 允许用户共享项目、比较结果和创建详细报告，从而促进团队合作。 这些 W&B 报告 可以结合可视化、文本和代码来记录发现结果并在整个组织内共享见解。

W&B 平台与权重和偏差的概念

区分平台“Weights & Biases”与神经网络 (NN)中“权重”和“偏置”的基本概念非常重要。

• 权重和偏差（概念）： 这些是模型的核心可学习参数。模型权重确定神经元之间连接的强度，而偏差是额外的参数，用于移动激活函数的输出。在训练期间，这些值通过反向传播等过程进行调整，以最小化损失函数。
• Weights & Biases（平台）： 这是一个MLOps工具，可帮助您管理查找模型权重和偏差的最佳值的过程。它不会取代PyTorch或TensorFlow等框架，而是与它们集成以跟踪和可视化训练过程。

本质上，W&B 平台提供了监控和组织实验的基础设施，这些实验会生成模型的最佳权重和偏差。

Weights & Biases 的实际应用

W&B 广泛应用于各个行业，以改进机器学习开发流程。

1. 开发计算机视觉模型： 一个团队正在训练用于自动驾驶车辆中的目标检测的Ultralytics YOLOv8模型，他们可以使用W&B来记录使用不同数据增强策略或骨干网络架构的训练过程。他们可以在Argoverse等数据集上可视化对性能指标的影响，在W&B仪表板中比较结果，并使用Artifacts对性能最佳的模型权重进行版本控制，以便以后部署。请阅读我们关于使用Weights & Biases增强Ultralytics的博客，了解有关此集成的更多好处。
2. 医学影像分析： 研究人员执行医学影像分析以检测疾病（例如，使用在脑肿瘤数据集上训练的模型）时，可以利用 W&B。他们可以跟踪涉及微调预训练模型的实验，可视化分割掩码或分类准确率，并通过共享详细报告进行协作。这确保了透明度和可重复性，这在敏感应用中至关重要，并且符合可解释人工智能 (XAI)的目标。