Integração do MLflow para Ultralytics YOLO

Ecossistema MLflow

Introdução

O registo de experiências é um aspeto crucial dos fluxos de trabalho de aprendizagem automática que permite o acompanhamento de várias métricas, parâmetros e artefactos. Ajuda a melhorar a reprodutibilidade do modelo, a depurar problemas e a melhorar o desempenho do modelo. Ultralytics YOLO A solução MLflow, conhecida pelas suas capacidades de deteção de objectos em tempo real, oferece agora integração com o MLflow, uma plataforma de código aberto para a gestão completa do ciclo de vida da aprendizagem automática.

Esta página de documentação é um guia completo para configurar e utilizar as capacidades de registo do MLflow para o seu projeto Ultralytics YOLO .

O que é o MLflow?

O MLflow é uma plataforma de código aberto desenvolvida pela Databricks para gerir o ciclo de vida da aprendizagem automática de ponta a ponta. Inclui ferramentas para acompanhar experiências, empacotar código em execuções reproduzíveis e partilhar e implementar modelos. O MLflow foi concebido para funcionar com qualquer biblioteca de aprendizagem automática e linguagem de programação.

Caraterísticas

Registo de métricas: Regista métricas no final de cada época e no final do treino.
Registo de parâmetros: Regista todos os parâmetros utilizados na formação.
Registo de artefactos: Regista os artefactos do modelo, incluindo pesos e ficheiros de configuração, no final da formação.

Configuração e pré-requisitos

Certifique-se de que o MLflow está instalado. Se não estiver, instale-o utilizando o pip:

pip install mlflow

Certifique-se de que o registo do MLflow está ativado em Ultralytics settings. Normalmente, isto é controlado pelas definições mlflow chave. Ver a definições para mais informações.

Atualizar Ultralytics Definições do MLflow

PythonCLI

No ambiente Python , chame a função update no método settings para alterar as suas definições:

from ultralytics import settings

# Update a setting
settings.update({"mlflow": True})

# Reset settings to default values
settings.reset()

Se preferir utilizar a interface de linha de comandos, os seguintes comandos permitir-lhe-ão modificar as suas definições:

# Update a setting
yolo settings mlflow=True

# Reset settings to default values
yolo settings reset

Como utilizar

Comandos

Definir um nome de projeto: É possível definir o nome do projeto através de uma variável de ambiente:
```
export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME
```
Ou utilizar o project=<project> ao treinar um modelo YOLO , ou seja yolo train project=my_project.
Definir um nome de execução: De forma semelhante à definição de um nome de projeto, pode definir o nome de execução através de uma variável de ambiente:
```
export MLFLOW_RUN=YOUR_RUN_NAME
```
Ou utilizar o name=<name> ao treinar um modelo YOLO , ou seja yolo train project=my_project name=my_name.
Iniciar o servidor MLflow local: Para iniciar o rastreamento, use:
```
mlflow server --backend-store-uri runs/mlflow
```
Isso iniciará um servidor local em http://127.0.0.1:5000 por defeito e guarda todos os registos do mlflow no diretório 'runs/mlflow'. Para especificar um URI diferente, defina a opção MLFLOW_TRACKING_URI variável de ambiente.
Eliminar instâncias do servidor MLflow: Para parar todas as instâncias do MLflow em execução, execute:
```
ps aux | grep 'mlflow' | grep -v 'grep' | awk '{print $2}' | xargs kill -9
```

Registo

O registo é efectuado pelo on_pretrain_routine_end, on_fit_epoch_ende on_train_end funções de retorno. Estas funções são chamadas automaticamente durante as respectivas fases do processo de formação e tratam do registo de parâmetros, métricas e artefactos.

Exemplos

Registo de métricas personalizadas: Pode adicionar métricas personalizadas para serem registadas, modificando o trainer.metrics dicionário antes on_fit_epoch_end é chamado.
Ver Experiência: Para ver os seus registos, navegue para o seu servidor MLflow (normalmente http://127.0.0.1:5000), selecione a sua experiência e execute-a.
Ver corrida: As execuções são modelos individuais dentro de uma experiência. Clique numa execução e veja os detalhes da execução, incluindo os artefactos carregados e os pesos dos modelos.

Desativar o MLflow

Para desativar o registo do MLflow:

yolo settings mlflow=False

Conclusão

A integração do registo MLflow com o Ultralytics YOLO oferece uma forma simplificada de acompanhar as suas experiências de aprendizagem automática. Permite-lhe monitorizar as métricas de desempenho e gerir artefactos de forma eficaz, ajudando assim a desenvolver e implementar modelos robustos. Para mais pormenores, consulte a documentação oficial do MLflow.

FAQ

Como posso configurar o registo do MLflow com Ultralytics YOLO ?

Para configurar o registo do MLflow com Ultralytics YOLO , primeiro tem de garantir que o MLflow está instalado. Você pode instalá-lo usando pip:

pip install mlflow

Em seguida, active o registo do MLflow em Ultralytics settings. Isso pode ser controlado usando a opção mlflow chave. Para mais informações, consulte a secção guia de definições.

Atualizar Ultralytics Definições do MLflow

PythonCLI

from ultralytics import settings

# Update a setting
settings.update({"mlflow": True})

# Reset settings to default values
settings.reset()

# Update a setting
yolo settings mlflow=True

# Reset settings to default values
yolo settings reset

Por fim, inicie um servidor MLflow local para controlo:

mlflow server --backend-store-uri runs/mlflow

Que métricas e parâmetros posso registar utilizando o MLflow com Ultralytics YOLO ?

Ultralytics YOLO com o MLflow suporta o registo de várias métricas, parâmetros e artefactos ao longo do processo de formação:

Registo de métricas: Regista as métricas no final de cada época e após a conclusão da formação.
Registo de parâmetros: Regista todos os parâmetros utilizados no processo de formação.
Registo de artefactos: Salva artefatos do modelo como pesos e arquivos de configuração após o treinamento.

Para obter informações mais detalhadas, visite a documentação de acompanhamentoUltralytics YOLO .

Posso desativar o registo do MLflow depois de este estar ativado?

Sim, pode desativar o registo do MLflow para Ultralytics YOLO actualizando as definições. Veja como fazer isso usando o CLI:

yolo settings mlflow=False

Para mais personalização e reposição das definições, consulte o guia de definições.

Como posso iniciar e parar um servidor MLflow para Ultralytics YOLO tracking?

Para iniciar um servidor MLflow para seguir as suas experiências em Ultralytics YOLO , utilize o seguinte comando:

mlflow server --backend-store-uri runs/mlflow

Este comando inicia um servidor local em http://127.0.0.1:5000 por defeito. Se precisar de parar de executar instâncias do servidor MLflow, utilize o seguinte comando bash :

ps aux | grep 'mlflow' | grep -v 'grep' | awk '{print $2}' | xargs kill -9

Consulte a secção de comandos para obter mais opções de comando.

Quais são as vantagens da integração do MLflow com Ultralytics YOLO para o acompanhamento de experiências?

A integração do MLflow com Ultralytics YOLO oferece várias vantagens para a gestão das suas experiências de aprendizagem automática:

Acompanhamento de experiências melhorado: Acompanhe e compare facilmente diferentes execuções e os seus resultados.
Melhoria da reprodutibilidade do modelo: Assegure-se de que as suas experiências são reproduzíveis, registando todos os parâmetros e artefactos.
Monitorização do desempenho: Visualize as métricas de desempenho ao longo do tempo para tomar decisões baseadas em dados para melhorias do modelo.
Fluxo de trabalho simplificado: Automatize o processo de registo para se concentrar mais no desenvolvimento de modelos do que no acompanhamento manual.
Desenvolvimento colaborativo: Partilhe os resultados das experiências com os membros da equipa para uma melhor colaboração e partilha de conhecimentos.

Para uma análise aprofundada da configuração e utilização do MLflow com Ultralytics YOLO , explore a documentação da Integração do MLflow para Ultralytics YOLO .

📅C riado há 1 ano ✏️ Atualizado há 1 mês