Weights & Biases

Che cos'è Weights & Biases?

Weights & Biases è una piattaforma MLOps completa che mira a migliorare la produttività dei professionisti dell'apprendimento automatico (ML). Offre un modo sistematico per registrare, tracciare e visualizzare ogni componente di un esperimento di ML, compresi i set di dati (come COCO o quelli personalizzati gestiti tramite Ultralytics HUB), gli iperparametri, le metriche di addestramento come l'accuratezza e la perdita, le versioni del codice e i pesi del modello risultanti. Offrendo una dashboard chiara e organizzata, W&B semplifica il processo di confronto tra le diverse esecuzioni sperimentali, il debug dei modelli e la condivisione dei risultati con i collaboratori. Si integra perfettamente con framework popolari come PyTorch e TensorFlowrendendolo adattabile a diversi progetti di intelligenza artificiale, dalla computer vision (CV) all'elaborazione del linguaggio naturale (NLP).

È importante distinguere lapiattaforma Weights & Biases dai concetti di "pesi" e "biases" di una rete neurale (NN). In una rete neurale, i weights and biases sono i parametri apprendibili che il modello regola durante l'addestramento utilizzando algoritmi di ottimizzazione per minimizzare la funzione di perdita. I pesi determinano la forza della connessione tra i neuroni, mentre le polarizzazioni forniscono un offset che consente di spostare la soglia della funzione di attivazione. La piattaforma Weights & Biases è lo strumento utilizzato per monitorare e gestire gli esperimenti volti a trovare i valori ottimali per questi parametri della rete neurale. Per saperne di più sull'integrazione di Ultralytics con W&B, consulta la documentazione.

Caratteristiche principali di Weights & Biases

Weights & Biases offre diverse funzionalità per supportare il ciclo di vita del ML:

• Tracciamento dell'esperimento: Registra automaticamente le metriche (ad esempio, mAP, F1-score), gli iperparametri (come il tasso di apprendimento o la dimensione del batch), i file di configurazione e i dettagli dell'ambiente per ogni esecuzione. In questo modo gli esperimenti sono tracciabili e confrontabili.
• Sweep di iperparametri: Fornisce strumenti per automatizzare la regolazione degli iperparametri, esplorando diverse combinazioni per trovare la migliore configurazione del modello utilizzando metodi come l'ottimizzazione bayesiana o la ricerca casuale. Questo è in linea con le migliori pratiche descritte nei suggerimenti per la formazione dei modelli.
• Versione dei dati e dei modelli (artefatti): Permette di versionare i set di dati e i pesi dei modelli. Questo è fondamentale per la riproducibilità, la tracciabilità del modello e la gestione delle risorse per la distribuzione del modello.
• Strumenti di visualizzazione: Offre visualizzazioni ricche e interattive per confrontare i risultati degli esperimenti, analizzare le previsioni del modello (ad esempio i bounding box nel rilevamento degli oggetti), comprendere il comportamento del modello e identificare problemi come l 'overfitting.
• Funzionalità di collaborazione (Rapporti): Consente agli utenti di creare report dinamici che combinano visualizzazioni, descrizioni testuali e dati registrati per condividere le intuizioni e documentare i risultati con i membri del team o con la comunità.
• Monitoraggio delle risorse: Traccia l'utilizzo dell'hardware, tra cui GPU e CPU l'utilizzo della GPU e della CPU, il consumo di memoria e la temperatura, aiutando a identificare i colli di bottiglia delle prestazioni.

Applicazioni del mondo reale di Weights & Biases

Weights & Biases è ampiamente utilizzato in diversi settori per migliorare i processi di sviluppo dell'apprendimento automatico.

1. Sviluppo di modelli di visione artificiale: Una formazione di gruppo Ultralytics YOLOv8 per il rilevamento di oggetti nei veicoli autonomi può utilizzare W&B per registrare i cicli di formazione con diverse strategie di incremento dei dati o architetture di backbone. Possono visualizzare l'impatto sulle metriche di precisione e di richiamo su dataset come Argoverse, confrontare i risultati nella dashboard di W&B e versionare i pesi del modello più performante utilizzando gli artefatti per una successiva distribuzione. Leggi l'integrazione traUltralytics e W&B.
2. Analisi di immagini mediche: I ricercatori che effettuano analisi di immagini mediche per individuare malattie, ad esempio utilizzando un modello addestrato sul dataset Brain Tumor, possono sfruttare W&B. Possono seguire gli esperimenti che prevedono la messa a punto dei modelli pre-addestrati, visualizzare le maschere di segmentazione o l'accuratezza della classificazione, monitorare i risultati delle analisi. GPU durante le lunghe sessioni di addestramento e collaborare condividendo rapporti dettagliati sui risultati ottenuti, garantendo trasparenza e riproducibilità in applicazioni delicate. Questo è in linea con gli obiettivi dell'AI spiegabile (XAI).

Fornendo un ambiente strutturato per la gestione del ciclo di vita del ML, Weights & Biases aiuta i team a costruire più velocemente modelli migliori e facilita la collaborazione e la riproducibilità nello sviluppo dell'IA. Puoi scoprire come integrare W&B nei tuoi progetti Ultralytics attraverso la documentazione ufficiale.