Weights & Biases

Weights & Biases 흔히 W&B 또는 WandB로 약칭)는 데이터 과학자와 머신러닝 엔지니어가 모델 개발 워크플로우를 간소화할 수 있도록 설계된 포괄적인 머신러닝 운영(MLOps) 플랫폼입니다. 개발자 중심 도구로서 실험 추적, 데이터셋 및 모델 버전 관리, 실시간 성능 지표 시각화를 위한 중앙 기록 시스템 역할을 수행합니다. 인공지능의 복잡한 환경에서 훈련 실행의 재현성과 가시성을 유지하는 것은 매우 중요합니다. Weights & Biases 하이퍼파라미터, 시스템 메트릭, 출력 파일을 자동으로 기록함으로써 이를 Weights & Biases 팀이 서로 다른 실험을 비교하고 가장 성능이 우수한 구성을 효율적으로 식별할 수 있도록 합니다.

기계 학습의 핵심 역량

Weights & Biases 주요 가치는 종종 혼란스러운 딥러닝 모델 훈련 과정을 체계화하는 능력에 Weights & Biases . 이 플랫폼은 PyTorch, TensorFlow, Keras, Jenerator와 같은 인기 프레임워크와 직접 통합되는 도구 모음을 제공합니다. PyTorch 와 Ultralytics 생태계와 직접 통합되는 도구 모음을 제공합니다.

• 실험 추적: 이 기능은 학습률, 배치 크기, 모델 아키텍처와 같은 모든 구성 매개변수를 기록합니다. 또한 시간 경과에 따른 손실 함수 및 정확도와 같은 동적 메트릭을 로깅하여 대화형 차트로 제공합니다.
• 하이퍼파라미터 최적화: W&B 스윕은 하이퍼파라미터 튜닝 과정을 자동화합니다. 다양한 매개변수 조합을 탐색함으로써 사용자는 수동 개입 없이도 평균 정밀도(mAP) 와 같은 모델 성능 지표를 극대화할 수 있습니다.
• 아티팩트 관리: 완전한 계보 추적을 보장하기 위해 W&B 아티팩트는 버전 관리 데이터셋 및 모델 체크포인트를 지원합니다. 이를 통해 사용자는 특정 모델을 생성한 정확한 데이터 버전을 추적할 수 있으며, 이는 견고한 모델 모니터링의 핵심 구성 요소입니다.
• 시스템 모니터링: 플랫폼은 하드웨어 사용량을 추적하며, 여기에는 GPU 사용률, 메모리 소비량, 온도 등 하드웨어 사용량을 추적합니다. 이는 병목 현상을 식별하고 컴퓨팅 집약적인 훈련 세션 동안 효율적인 자원 할당을 보장하는 데 도움이 됩니다.

실제 애플리케이션

Weights & Biases 컴퓨터 비전 및 자연어 처리 솔루션의 배포를 가속화하기 위해 다양한 산업 분야에서 광범위하게 Weights & Biases

1. 협업 연구 개발: 대규모 AI 연구팀은 W&B를 활용해 실험 결과를 즉시 공유합니다. 예를 들어 자율주행 차량 인식 시스템을 개발하는 팀에서는 여러 엔지니어가 서로 다른 객체 탐지 아키텍처를 훈련시킬 수 있습니다. W&B는 이러한 실행 결과를 단일 대시보드로 통합하여 팀이 협업적으로 분석할 수 있게 합니다. 이를 통해 어떤 아키텍처가 극단적 사례를 가장 잘 처리하는지 파악할 수 있으며, 더 빠른 반복 주기를 촉진합니다.
2. 생산 모델 유지보수: 제조 품질 관리와 같은 산업 환경에서는 데이터 드리프트를 방지하기 위해 주기적으로 새로운 데이터로 모델을 재훈련해야 합니다. W&B는 엔지니어가 후보 생산 모델의 성능을 현재 기준 모델과 비교할 수 있도록 지원하여, 우수한 정밀도와 재현율을 가진 모델만 에지에 배포되도록 보장합니다.

Ultralytics YOLO 통합

Weights & Biases Ultralytics 통합은 Ultralytics 물체 탐지, 분할 및 자세 추정 작업에 대한 풍부한 시각화를 제공합니다. YOLO26과 같은 최신 모델을 훈련할 때, 통합은 자동으로 메트릭, 바운딩 박스 예측 및 혼동 행렬을 기록합니다.

이 코드 조각은 자동 로깅 기능을 활용하는 방법을 보여줍니다. 클라이언트를 설치하기만 하면 훈련 과정의 결과가 클라우드에 동기화됩니다.

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")

구분: 플랫폼 대 신경망 매개변수

플랫폼 "Weights & Biases"와 신경망의 기본 개념인 가중치(weights) 및 편향(biases)을 구분하는 것이 중요합니다.

• Weights and Biases 매개변수): 신경망에서 "가중치"는 뉴런 간 연결 강도를 결정하는 학습 가능한 매개변수이며, "편향"은 활성화 함수를 이동시킬 수 있게 하는 추가 매개변수입니다. 이들은 역전파 과정에서 최적화되는 수학적 값들입니다.
• Weights & Biases 플랫폼): 본 페이지에서 논의된 외부 소프트웨어 도구입니다. 이 플랫폼은 분석을 weights and biases 신경망 weights and biases 값 및 기울기를 추적하지만, 이는 훈련 데이터 및 프로세스 위에 위치한 관리 계층일 뿐, 수학적 구성 요소 자체는 아닙니다.

주석 처리 및 배포를 포함한 전체 라이프사이클 관리와 실험 추적을 원하는 사용자를 위해, Ultralytics Weights & Biases 제공하는 상세한 메트릭 로깅을 보완하는 강력한 도구도 제공합니다.