Weights & Biases (W&B) est une plateforme conçue pour rationaliser les flux de travail d'apprentissage automatique en fournissant des outils de suivi des expériences, de versionnement des données et des modèles, et de collaboration. Elle agit comme un hub central pour les opérations d'apprentissage automatique (MLOps), en aidant les individus et les équipes à gérer les complexités du développement et du déploiement des modèles d'IA, notamment. Ultralytics YOLO d'Ultralytics. Il facilite une meilleure compréhension des performances des modèles, la reproductibilité des expériences et l'efficacité globale du cycle de vie du développement de l'IA.
Qu'est-ce que la Weights & Biases?
Weights & Biases est une plateforme MLOps complète visant à améliorer la productivité des praticiens de l'apprentissage automatique. Elle offre un moyen systématique d'enregistrer, de suivre et de visualiser chaque composant d'une expérience d'apprentissage automatique, y compris les ensembles de données, les hyperparamètres, les mesures d'entraînement telles que la précision et la perte, les versions de code et les poids de modèle qui en résultent. En offrant un tableau de bord clair et organisé, W&B simplifie le processus de comparaison de différentes expériences, de débogage des modèles et de partage des résultats avec les collaborateurs. Il s'intègre facilement à des cadres de travail populaires tels que PyTorch et TensorFlowce qui la rend adaptable à divers projets d'intelligence artificielle. La plateforme se distingue des concepts de "poids" et de "biais" au sein d'un réseau neuronal (NN), qui font référence aux paramètres apprenables que le modèle ajuste pendant l'entraînement. W&B est l'outil utilisé pour suivre les expériences qui optimisent ces paramètres. Tu peux en savoir plus sur l'intégration d'Ultralytics à W&B dans la documentation.
Caractéristiques principales de Weights & Biases
Weights & Biases offre plusieurs fonctionnalités pour soutenir le cycle de vie de la ML :
- Suivi des expériences: Consigne les métriques, les hyperparamètres, les fichiers de configuration et les visualisations de sortie automatiquement pendant l'entraînement du modèle. Cela permet de comparer facilement les différentes exécutions et aide à identifier les modèles les plus performants.
- Balayage des hyperparamètres: Automatise le processus de réglage des hyperparamètres en définissant des stratégies de recherche (comme la recherche par grille, la recherche aléatoire ou l'optimisation bayésienne) pour trouver des ensembles de paramètres optimaux.
- Versionnement des données et des modèles (Artifacts): Effectue le suivi des ensembles de données et des versions de modèles parallèlement aux expériences, ce qui permet d'assurer la reproductibilité et de fournir un lignage clair des données au modèle. Ceci est crucial pour maintenir la cohérence dans le déploiement des modèles.
- Outils de visualisation: Génère des graphiques et des tableaux de bord interactifs pour visualiser les performances du modèle, comparer les exécutions, analyser les métriques du système (comme les données du GPU ), et visualiser des médias comme des images ou des vidéos avec des prédictions superposées.
- Fonctionnalités de collaboration (Rapports): Crée des rapports dynamiques combinant du code, des visualisations et du texte pour partager des idées et documenter des résultats avec les membres de l'équipe ou la communauté au sens large.
- Surveillance des ressources: Effectue le suivi de l'utilisation des ressources de calcul telles que le CPU, le GPU, la mémoire et les E/S réseau pendant l'entraînement afin d'identifier les goulots d'étranglement potentiels.
Applications concrètes de la Weights & Biases
Weights & Biases est largement utilisé dans diverses industries pour améliorer les processus de développement de l'apprentissage automatique.
Exemple 1 : développement de véhicules autonomes
Les équipes qui développent des systèmes de perception pour les véhicules autonomes utilisent W&B pour gérer le grand nombre d'expériences nécessaires. Elles suivent les mesures de performance telles que la précision moyenne (mAP) pour les modèles de détection d'objets formés sur divers ensembles de données représentant différentes conditions de conduite (jour, nuit, pluie). W&B leur permet de comparer des modèles formés avec différentes architectures (par exemple, comparer YOLOv8 à YOLOv9), des hyperparamètres ou des stratégies d'augmentation des données, en visualisant les résultats comme les boîtes de délimitation sur les images de test pour assurer la robustesse et la sécurité avant le déploiement.
Exemple 2 : Analyse d'images médicales
Dans le domaine de la santé, les chercheurs qui développent l'IA pour l'analyse d'images médicales, comme la détection de tumeurs dans les tomodensitogrammes ou la segmentation d'organes, s'appuient sur W&B. Ils suivent des métriques comme le score de Dice pour les tâches de segmentation d'images à travers différentes époques d'entraînement. W&B aide à gérer les expériences impliquant des données sensibles, à suivre les versions des modèles pour la conformité réglementaire (par exemple, les directives de la FDA) et à visualiser les masques de segmentation sur les images pour évaluer la précision du modèle, ce qui aide finalement au développement d'outils de diagnostic fiables. Explore comment les modèlesYOLO 'Ultralytics sont utilisés en imagerie médicale.
En fournissant des outils robustes de suivi et de visualisation, Weights & Biases améliore considérablement l'efficacité et la fiabilité des projets d'apprentissage automatique, de la recherche à la production. Tu peux gérer tes propres projets en utilisant Ultralytics HUB, qui intègre des fonctionnalités de suivi des expériences.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
