Weights & Biases

Weights & Biases souvent abrégé en W&B ou WandB) est une plateforme complète de Machine Learning Operations (MLOps) conçue pour aider les scientifiques des données et les ingénieurs en apprentissage automatique à rationaliser leur flux de travail de développement de modèles. En tant qu'outil destiné aux développeurs, il sert de système central d'enregistrement pour suivre les expériences, gérer les versions des ensembles de données et des modèles, et visualiser les mesures de performance en temps réel. Dans le paysage complexe de l' intelligence artificielle, il est essentiel de maintenir la reproductibilité et la visibilité des cycles de formation. Weights & Biases ce besoin en enregistrant automatiquement les hyperparamètres, les mesures du système et les fichiers de sortie, ce qui permet aux équipes de comparer des expériences disparates et d' identifier efficacement les configurations les plus performantes.

Compétences fondamentales en apprentissage automatique

La principale valeur ajoutée de Weights & Biases dans sa capacité à organiser le processus souvent chaotique de formation des modèles d'apprentissage profond . Il fournit une suite d'outils qui s'intègrent directement à des frameworks populaires tels que PyTorch et Ultralytics .

• Suivi des expériences: cette fonctionnalité enregistre tous les paramètres de configuration, tels que le taux d'apprentissage, la taille des lots et l'architecture du modèle. Elle consigne également des mesures dynamiques telles que les fonctions de perte et la précision au fil du temps, et les présente sous forme de graphiques interactifs.
• Optimisation des hyperparamètres: les balayages W&B automatisent le processus de réglage des hyperparamètres. En explorant différentes combinaisons de paramètres, les utilisateurs peuvent optimiser les mesures de performance du modèle, telles que la précision moyenne (mAP), sans intervention manuelle.
• Gestion des artefacts: afin de garantir un suivi complet de la lignée, W&B Artifacts contrôle les versions des ensembles de données et des points de contrôle des modèles. Cela permet aux utilisateurs de retracer avec précision quelle version des données a produit un modèle spécifique, un élément clé d'une surveillance robuste des modèles.
• Surveillance du système: la plateforme suit l'utilisation du matériel, notamment GPU , la consommation de mémoire et la température. Cela permet d'identifier les goulots d'étranglement et d'assurer une allocation efficace des ressources pendant les sessions de formation nécessitant une puissance de calcul intensive .

Applications concrètes

Weights & Biases largement utilisé dans divers secteurs pour accélérer le déploiement de solutions de vision par ordinateur et de traitement du langage naturel.

1. Recherche et développement collaboratifs: les grandes équipes de recherche en IA utilisent W&B pour partager instantanément les résultats expérimentaux. Par exemple, une équipe développant un système de perception pour véhicules autonomes peut compter plusieurs ingénieurs qui entraînent différentes architectures de détection d'objets. W&B regroupe ces exécutions dans un tableau de bord unique, ce qui permet à l'équipe d'analyser de manière collaborative quelle architecture gère le mieux les cas limites, favorisant ainsi des cycles d'itération plus rapides.
2. Maintenance des modèles de production: dans les environnements industriels, tels que le contrôle qualité en fabrication, les modèles doivent être réentraînés périodiquement avec de nouvelles données afin d'éviter toute dérive des données. W&B aide les ingénieurs à comparer les performances d'un modèle de production candidat par rapport à la base de référence actuelle, garantissant ainsi que seuls les modèles présentant une précision et un rappel supérieurs sont déployés en périphérie.

Intégration avec Ultralytics YOLO

L'intégration entre Weights & Biases Ultralytics transparente et offre des visualisations riches pour les tâches de détection d'objets, de segmentation et d'estimation de pose . Lors de l'entraînement d'un modèle moderne tel que YOLO26, l'intégration enregistre automatiquement les métriques, les prédictions de cadres de sélection et les matrices de confusion.

Cet extrait montre comment tirer parti des capacités de journalisation automatique. Il suffit d'installer le client pour que le processus de formation synchronise les résultats dans le cloud.

from ultralytics import YOLO

# Ensure the wandb client is installed
# pip install wandb

# Load the YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The integration automatically detects wandb and logs metrics
model.train(data="coco8.yaml", epochs=5, project="YOLO26_Experiments", name="run_01")

Distinction : plate-forme vs paramètres du réseau neuronal

Il est important de distinguer la plateforme «Weights & Biases » des concepts fondamentaux des réseaux neuronaux que sont les poids et les biais.

• Weights and Biases paramètres) : dans un réseau neuronal, les « poids » sont les paramètres apprenables qui déterminent la force de la connexion entre les neurones, et les « biais » sont des paramètres supplémentaires qui permettent de modifier la fonction d'activation. Il s'agit des valeurs mathématiques optimisées pendant la rétropropagation.
• Weights & Biases plateforme) : il s'agit de l'outil logiciel externe présenté sur cette page. Bien que la plateforme suive les valeurs et les gradients des weights and biases du réseau neuronal weights and biases analyse, il s'agit d'une couche de gestion qui se situe au-dessus des données et du processus d'entraînement, et non des composants mathématiques eux-mêmes.

Pour les utilisateurs qui souhaitent gérer l'ensemble du cycle de vie, y compris l'annotation et le déploiement, ainsi que le suivi des expériences, la Ultralytics propose également des outils robustes qui complètent la journalisation détaillée des métriques fournie par Weights & Biases .