Weights & Biases で機械学習のワークフローを合理化しましょう。実験の追跡、可視化、コラボレーションにより、より迅速で再現性の高いAI開発を実現します。
Weights & Biases (W&B)は、実験追跡、データおよびモデルのバージョン管理、コラボレーションのためのツールを提供することで、機械学習のワークフローを合理化するために設計されたプラットフォームです。機械学習オペレーション(MLOps)の中心的なハブとして機能し、以下のようなAIモデルの開発と展開の複雑さを個人やチームが管理できるよう支援します。 Ultralytics YOLOモデルを含むAIモデルの開発と展開の複雑さを管理できるように支援します。モデルパフォーマンスのより良い理解、実験の再現性、AI開発ライフサイクルの全体的な効率化を促進します。
Weights & Biases 、機械学習実践者の生産性を向上させることを目的とした包括的なMLOpsプラットフォームです。データセット、ハイパーパラメータ、精度や 損失などのトレーニングメトリクス、コードバージョン、結果のモデル重みなど、ML実験のあらゆる要素を記録、追跡、可視化する体系的な方法を提供します。明確で整理されたダッシュボードを提供することで、W&Bは異なる実験実行の比較、モデルのデバッグ、共同研究者との結果の共有のプロセスを簡素化します。次のような一般的なフレームワークとスムーズに統合できます。 PyTorchや TensorFlow様々なAIプロジェクトに適応できる。このプラットフォームは、ニューラルネットワーク(NN)内の「重み」と「バイアス」という概念とは異なるもので、学習中にモデルが調整する学習可能なパラメータを指す。W&Bは、これらのパラメータを最適化する実験を追跡するために使用されるツールです。 Ultralytics W&Bの統合については、ドキュメントをご覧ください。
Weights & Biases 、MLのライフサイクルをサポートするいくつかの機能を提供する:
Weights & Biases 、機械学習の開発プロセスを改善するために、様々な業界で広く使用されています。
自律走行車用の知覚システムを開発しているチームは、必要とされる膨大な数の実験を管理するためにW&Bを使用しています。彼らは、さまざまな走行条件(昼、夜、雨)を表す多様なデータセットでトレーニングされた物体検出モデルの平均平均精度(mAP)のようなパフォーマンスメトリックスを追跡します。W&Bは、異なるアーキテクチャ(例えば、YOLOv8 YOLOv9の比較)、ハイパーパラメータ、またはデータ増強戦略でトレーニングされたモデルを比較し、テスト画像上のバウンディングボックスのような結果を視覚化して、配備前のロバスト性と安全性を確認することを可能にします。
ヘルスケアでは、CTスキャンにおける腫瘍の検出や臓器のセグメンテーションなど、医療画像解析のためのAIを開発する研究者がW&Bに依存している。彼らは、異なるトレーニングエポックにわたって、画像セグメンテーションタスクのダイススコアのようなメトリクスを追跡している。W&Bは、センシティブなデータを含む実験の管理、規制遵守のためのモデルバージョンの追跡(FDAガイドラインなど)、モデルの精度を評価するための画像上のセグメンテーションマスクの視覚化を支援し、最終的に信頼性の高い診断ツールの開発を支援します。 Ultralytics YOLO モデルが医療画像診断でどのように使用されているかをご覧ください。
追跡と可視化のための堅牢なツールを提供することで、Weights & Biases 、研究から生産に至るまで、機械学習プロジェクトの効率性と信頼性を大幅に向上させます。実験追跡機能を統合したUltralytics HUBを使用して、独自のプロジェクトを管理することができます。