Weights & Biases

¿Qué es Weights & Biases?

Weights & Biases es una plataforma integral de MLOps destinada a mejorar la productividad de los profesionales del aprendizaje automático (ML). Proporciona una forma sistemática de registrar, rastrear y visualizar cada componente de un experimento de ML, incluidos los conjuntos de datos (como COCO o los personalizados gestionados a través de Ultralytics HUB), hiperparámetros, métricas de entrenamiento como la precisión y la pérdida, versiones de código y pesos del modelo resultante. Al ofrecer un panel de control claro y organizado, W&B simplifica el proceso de comparar diferentes ejecuciones experimentales, depurar modelos y compartir los resultados con los colaboradores. Se integra sin problemas con marcos populares como PyTorch y TensorFlowlo que lo hace adaptable a diversos proyectos de IA, desde la visión por ordenador (CV) al procesamiento del lenguaje natural (PLN).

Es importante distinguir laplataforma Weights & Biases de los conceptos de "pesos" y "sesgos" dentro de una red neuronal (NN). En una red neuronal, los weights and biases son los parámetros aprendibles que el modelo ajusta durante el entrenamiento mediante algoritmos de optimización para minimizar la función de pérdida. Los pesos determinan la fuerza de la conexión entre neuronas, mientras que los sesgos proporcionan una compensación, que permite desplazar el umbral de la función de activación. La plataforma Weights & Biases es la herramienta utilizada para seguir y gestionar los experimentos destinados a encontrar los valores óptimos de estos parámetros de la red neuronal. Puedes obtener más información sobre la integración de Ultralytics con W&B en la documentación.

Características principales de Weights & Biases

Weights & Biases ofrece varias funciones para apoyar el ciclo de vida del ML:

• Seguimiento de experimentos: Registra automáticamente las métricas (por ejemplo, mAP, puntuación F1), los hiperparámetros (como la tasa de aprendizaje o el tamaño del lote), los archivos de configuración y los detalles del entorno de cada ejecución. Esto garantiza la trazabilidad y comparabilidad de los experimentos.
• Barridos de hiperparámetros: Proporciona herramientas para automatizar el ajuste de hiperparámetros, explorando distintas combinaciones para encontrar la mejor configuración del modelo mediante métodos como la optimización bayesiana o la búsqueda aleatoria. Esto se ajusta a las mejores prácticas descritas en los consejos para el entrenamiento de modelos.
• Versionado de datos y modelos (artefactos): Permite versionar conjuntos de datos y pesos de modelos. Esto es crucial para la reproducibilidad, el seguimiento del linaje del modelo y la gestión de activos para el despliegue del modelo.
• Herramientas de visualización: Ofrece visualizaciones ricas e interactivas para comparar los resultados de los experimentos, analizar las predicciones del modelo (por ejemplo, cuadros delimitadores en la detección de objetos), comprender el comportamiento del modelo e identificar problemas como el sobreajuste.
• Funciones de colaboración (Informes): Permite a los usuarios crear informes dinámicos que combinen visualizaciones, descripciones de texto y datos registrados para compartir perspectivas y documentar hallazgos con los miembros del equipo o con la comunidad en general.
• Supervisión de recursos: Realiza un seguimiento de la utilización del hardware, incluyendo GPU y CPU el consumo de memoria y la temperatura, lo que ayuda a identificar los cuellos de botella en el rendimiento.

Aplicaciones reales de Weights & Biases

Weights & Biases se utiliza ampliamente en diversos sectores para mejorar los procesos de desarrollo del aprendizaje automático.

1. Desarrollo de modelos de visión por ordenador: Un entrenamiento en equipo Ultralytics YOLOv8 para la detección de objetos en vehículos autónomos puede utilizar W&B para registrar ejecuciones de entrenamiento con diferentes estrategias de aumento de datos o arquitecturas troncales. Pueden visualizar el impacto en las métricas de precisión y recuperación en conjuntos de datos como Argoverse, comparar los resultados en el panel de control de W&B y versionar los pesos del modelo con mejor rendimiento utilizando Artifacts para su posterior despliegue. Más información sobre la integración deUltralytics y W&B.
2. Análisis de imágenes médicas: Los investigadores que realizan análisis de imágenes médicas para detectar enfermedades, por ejemplo, utilizando un modelo entrenado en el conjunto de datos de Tumores Cerebrales, pueden aprovechar W&B. Pueden realizar un seguimiento de los experimentos de ajuste fino de los modelos preentrenados, visualizar las máscaras de segmentación o la precisión de la clasificación, controlar GPU durante largas sesiones de entrenamiento, y colaborar compartiendo informes detallados de sus hallazgos, garantizando la transparencia y la reproducibilidad en aplicaciones sensibles. Esto se alinea con los objetivos de la IA explicable (XAI).

Al proporcionar un entorno estructurado para gestionar el ciclo de vida del ML, Weights & Biases ayuda a los equipos a construir mejores modelos más rápidamente y facilita la colaboración y la reproducibilidad en el desarrollo de la IA. Puedes explorar cómo integrar W&B en tus proyectos Ultralytics a través de la documentación oficial.