Glosario

Weights & Biases

Agiliza tus flujos de trabajo de aprendizaje automático con Weights & Biases. Rastrea, visualiza y colabora en experimentos para un desarrollo de IA más rápido y reproducible.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

Weights & Biases (W&B) es una plataforma diseñada para agilizar los flujos de trabajo del aprendizaje automático, proporcionando herramientas para el seguimiento de experimentos, el versionado de datos y modelos, y la colaboración. Actúa como un eje central para las Operaciones de Aprendizaje Automático (MLOps), ayudando a personas y equipos a gestionar las complejidades del desarrollo y despliegue de modelos de IA, incluyendo Ultralytics YOLO de Ultralytics. Facilita una mejor comprensión del rendimiento de los modelos, la reproducibilidad de los experimentos y la eficiencia general en el ciclo de vida de desarrollo de la IA.

¿Qué es Weights & Biases?

Weights & Biases es una plataforma integral de MLOps destinada a mejorar la productividad de los profesionales del aprendizaje automático. Proporciona una forma sistemática de registrar, rastrear y visualizar cada componente de un experimento de ML, incluyendo conjuntos de datos, 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 la hace adaptable a diversos proyectos de IA. La plataforma se distingue de los conceptos de "pesos" y "sesgos" dentro de una red neuronal (RN), que se refieren a los parámetros aprendibles que el modelo ajusta durante el entrenamiento. W&B es la herramienta utilizada para seguir los experimentos que optimizan estos parámetros. 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 métricas, hiperparámetros, archivos de configuración y visualizaciones de salida automáticamente durante el entrenamiento del modelo. Esto permite una fácil comparación entre ejecuciones y ayuda a identificar los modelos con mejor rendimiento.
  • Barridos de hiperparámetros: Automatiza el proceso de ajuste de hiperparámetros definiendo estrategias de búsqueda (como la búsqueda en cuadrícula, la búsqueda aleatoria o la optimización bayesiana) para encontrar conjuntos de parámetros óptimos.
  • Versionado de datos y modelos (artefactos): Rastrea los conjuntos de datos y las versiones de los modelos junto con los experimentos, garantizando la reproducibilidad y proporcionando un linaje claro de los datos al modelo. Esto es crucial para mantener la coherencia en el despliegue del modelo.
  • Herramientas de visualización: Genera gráficos y cuadros de mando interactivos para visualizar el rendimiento del modelo, comparar ejecuciones, analizar métricas del sistema (como GPU y ver medios como imágenes o vídeos con predicciones superpuestas.
  • Funciones de colaboración (Informes): Crea informes dinámicos combinando código, visualizaciones y texto para compartir perspectivas y documentar hallazgos con los miembros del equipo o con la comunidad en general.
  • Supervisión de recursos: Rastrea el uso de recursos computacionales como CPU, GPU, memoria y E/S de red durante el entrenamiento para identificar posibles cuellos de botella.

Aplicaciones reales de Weights & Biases

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

Ejemplo 1: Desarrollo de vehículos autónomos

Los equipos que desarrollan sistemas de percepción para vehículos autónomos utilizan W&B para gestionar el gran número de experimentos necesarios. Realizan un seguimiento de las métricas de rendimiento, como la Precisión Media Media (mAP) de los modelos de detección de objetos entrenados en diversos conjuntos de datos que representan diferentes condiciones de conducción (día, noche, lluvia). W&B les permite comparar modelos entrenados con diferentes arquitecturas (por ejemplo, comparando YOLOv8 frente a YOLOv9), hiperparámetros o estrategias de aumento de datos, visualizando resultados como cuadros delimitadores en imágenes de prueba para garantizar la solidez y la seguridad antes del despliegue.

Ejemplo 2: Análisis de imágenes médicas

En sanidad, los investigadores que desarrollan IA para el análisis de imágenes médicas, como la detección de tumores en TC o la segmentación de órganos, se basan en W&B. Realizan un seguimiento de métricas como la puntuación Dice para tareas de segmentación de imágenes en diferentes épocas de entrenamiento. W&B ayuda a gestionar experimentos con datos sensibles, a realizar un seguimiento de las versiones de los modelos para cumplir la normativa (por ejemplo, las directrices de la FDA), y a visualizar las máscaras de segmentación en las imágenes para evaluar la precisión de los modelos, ayudando en última instancia al desarrollo de herramientas de diagnóstico fiables. Explora cómo se utilizan los modelosYOLO Ultralytics en el diagnóstico médico por imagen.

Al proporcionar sólidas herramientas de seguimiento y visualización, Weights & Biases mejora significativamente la eficacia y fiabilidad de los proyectos de aprendizaje automático, desde la investigación hasta la producción. Puedes gestionar tus propios proyectos utilizando Ultralytics HUB, que integra funciones de seguimiento de experimentos.

Leer todo