Regista Ultralytics YOLO experiências utilizando a integração do MLflow

Podes pensar num projeto de visão computacional como um puzzle. Essencialmente, ensinas as máquinas a compreender os dados visuais juntando as peças do puzzle, como a recolha de um conjunto de dados, o treino de um modelo e a sua implementação. Quando tudo se encaixa, obténs um sistema que pode analisar e dar sentido a imagens e vídeos de forma eficaz.

Mas, tal como um verdadeiro puzzle, nem todas as partes de um projeto de visão por computador são simples. Tarefas como o acompanhamento de experiências (manter um registo das tuas definições, configurações e dados) e o registo (capturar resultados e métricas de desempenho) podem exigir muito tempo e esforço. Embora essas etapas sejam fundamentais para melhorar e refinar os modelos de visão computacional, elas podem, às vezes, parecer um gargalo.

É aqui que entram em jogo os modelos Ultralytics YOLO e a sua integração com o MLflow. Modelos como Ultralytics YOLO11 suportam uma vasta gama de tarefas de visão computacional, incluindo deteção de objectos, segmentação de instâncias e classificação de imagens. Estas capacidades permitem a criação de aplicações de visão computacional interessantes. Ter a opção de confiar em integrações como a integração com o MLflow permite que os engenheiros de visão se concentrem no modelo em si, em vez de se perderem nos pormenores. 

Em particular, a integração do MLflow simplifica o processo, registando várias métricas, parâmetros e artefactos ao longo do processo de formação. Neste artigo, vamos explorar como funciona a integração do MLflow, as suas vantagens e como a podes utilizar para simplificar os teus fluxos de trabalho Ultralytics YOLO .

O que é o MLflow?

O MLflow é uma plataforma de código aberto (desenvolvida pela Databricks) concebida para simplificar e gerir todo o ciclo de vida da aprendizagem automática. Abrange o processo de desenvolvimento, implementação e manutenção de modelos de aprendizagem automática. 

O MLflow inclui os seguintes componentes principais:

• Acompanhamento de experiências: Este componente centra-se no registo de detalhes importantes, como definições de modelos, resultados e ficheiros para cada execução de treino de modelos. Ajuda-te a comparar modelos, a ver como as alterações afectam o desempenho e a encontrar o melhor.
• Registo de modelos: É como um sistema de armazenamento para os teus modelos, onde podes manter um registo das diferentes versões e organizá-las por fases como teste, preparação e produção.
• Empacotamento de projectos: O MLflow facilita o agrupamento dos seus projectos de aprendizagem automática, incluindo o código, as definições e as ferramentas necessárias, para que possam ser partilhados e utilizados de forma consistente entre equipas e ambientes.
• Implantação de modelos: O MLflow fornece ferramentas para implementar rapidamente os teus modelos treinados em locais como estações de trabalho ou plataformas de nuvem, como AWS e Azure, tornando-os prontos para utilização no mundo real.

‍

Os componentes do MLflow tornam o processo de aprendizagem automática mais fácil e mais eficiente de gerir. Através desta integração, Ultralytics torna possível utilizar a funcionalidade de acompanhamento de experiências do MLflow para registar parâmetros, métricas e artefactos durante o treino de modelos YOLO . Simplifica o acompanhamento e a comparação de diferentes versões do modelo YOLO .

A integração do MLflow simplifica a formação

Agora que já falámos sobre o que é o MLflow, vamos analisar os pormenores da integração do MLflow e as funcionalidades que oferece. 

A integração do MLflow foi criada para tornar o processo de formação mais eficiente e organizado, acompanhando e registando automaticamente aspectos importantes das tuas experiências de visão computacional. Facilita três tipos principais de registo: métricas, parâmetros e artefactos.

Vê mais detalhadamente cada tipo de registo:

• Registo de métricas: As métricas são valores quantitativos que medem o desempenho do teu modelo durante o treino. Por exemplo, métricas como exatidão, precisão, recuperação ou perda são controladas no final de cada época (uma passagem completa pelo seu conjunto de dados). 
• Registo de parâmetros: Os parâmetros são as configurações que define antes do início do treino do modelo, tais como a taxa de aprendizagem, o tamanho do lote (o número de amostras processadas num passo de treino) e o número de épocas. Estes parâmetros afectam significativamente o comportamento e o desempenho do teu modelo.
• Registo de artefactos: Os artefactos são os resultados ou ficheiros gerados durante o treino. Isto inclui ficheiros essenciais como os pesos do modelo (os valores numéricos que o teu modelo aprende durante o treino), ficheiros de configuração (que armazenam as definições de treino) e outros dados relevantes. 

‍

Como funciona a integração do MLflow

Podes explorar a documentação Ultralytics para obteres instruções passo a passo sobre como ativar a integração do MLflow. Uma vez configurada, a integração rastreia e regista automaticamente os principais detalhes das suas experiências de treino, conforme referido anteriormente. Isso elimina a necessidade de rastreamento manual e ajuda a manter o foco no refinamento dos modelos.

Com a integração do MLflow, todas as suas execuções de treino são armazenadas num único local, facilitando a comparação de resultados e a avaliação de diferentes configurações. Ao comparar os resultados registados, pode identificar as configurações com melhor desempenho e utilizar essas informações para melhorar os seus modelos. Isto garante que o teu fluxo de trabalho é mais eficiente, bem documentado e reproduzível.

Especificamente, cada sessão de treino é organizada numa experiência, que funciona como um contentor para várias execuções. Dentro de uma experiência, podes ver todas as execuções associadas, comparar o seu desempenho lado a lado e analisar tendências em diferentes configurações. 

Por exemplo, se estiveres a testar várias taxas de aprendizagem ou tamanhos de lote com Ultralytics YOLOv8 , todas as execuções relacionadas são agrupadas na mesma experiência para facilitar a comparação e a análise, como mostrado abaixo.

‍

Entretanto, ao nível da execução individual, o MLflow fornece informações detalhadas sobre a sessão de treino específica. Pode visualizar métricas como a exatidão, a perda e a precisão ao longo das épocas, verificar os parâmetros de treino utilizados (por exemplo, tamanho do lote e taxa de aprendizagem) e aceder a artefactos gerados, como pesos de modelos e ficheiros de configuração. Esses detalhes são armazenados em um formato organizado, facilitando a revisão ou a reprodução de qualquer execução.

Escolher a integração do MLflow: porque se destaca

À medida que percorre a documentaçãoUltralytics e explora as integrações disponíveis, pode dar por si a perguntar: O que distingue a integração do MLflow e porque é que a devo escolher para o meu fluxo de trabalho?

Com integrações como o TensorBoard, que também fornecem ferramentas para acompanhar métricas e visualizar resultados, é importante compreender as qualidades únicas que fazem com que a integração do MLflow se destaque. 

Eis por que razão o MLflow pode ser a escolha ideal para os teus projectosYOLO :

• Interface de fácil utilização: O painel de controlo do MLflow facilita a visualização de experiências, a comparação de execuções e a análise de resultados, ajudando-o a identificar rapidamente as configurações com melhor desempenho.
• Registo de métricas personalizadas: Os engenheiros de visão podem registar métricas personalizadas para além das métricas padrão, permitindo uma análise mais aprofundada específica para as necessidades do seu projeto.
• Suporta fluxos de trabalho em várias línguas: O MLflow é compatível com várias linguagens de programação, incluindo Python, R e Java, facilitando a integração em diversos pipelines de aprendizagem automática.

Aplicações práticas de YOLO11 e a integração do MLflow

Para compreender melhor quando pode utilizar a integração do MLflow, consideremos uma aplicação de IA na área dos cuidados de saúde em que é necessário treinar YOLO11 para detetar tumores em imagens de raios X ou de tomografia computorizada. 

Neste cenário, o conjunto de dados consistiria em imagens médicas anotadas. Teria de experimentar várias configurações, como ajustar as taxas de aprendizagem, o tamanho dos lotes e as técnicas de pré-processamento de imagens, para obter uma precisão óptima. Uma vez que os riscos são elevados nos cuidados de saúde e a precisão e fiabilidade são críticas, o acompanhamento manual de cada experiência pode rapidamente tornar-se incontrolável.

‍

A integração do MLflow resolve este desafio registando automaticamente os parâmetros, métricas e artefactos de cada experiência. Por exemplo, se modificar a taxa de aprendizagem ou aplicar uma nova estratégia de aumento, o MLflow regista estas alterações juntamente com as métricas de desempenho. Além disso, o MLflow guarda os pesos e as configurações dos modelos treinados, garantindo que os modelos bem sucedidos podem ser facilmente reproduzidos e implementados. 

Este é apenas um exemplo de como a integração do MLflow melhora a gestão de experiências em aplicações de visão de IA. As mesmas funcionalidades aplicam-se a outras aplicações de visão por computador, incluindo:

• Condução autónoma: YOLO11 pode ser utilizado para detetar e classificar peões, veículos e sinais de trânsito em tempo real para melhorar a segurança e a eficiência dos sistemas de condução autónoma.
• Análise de retalho: Os modelos de deteção de objectos podem monitorizar o comportamento dos clientes, seguir a colocação de produtos e otimizar o inventário, analisando a atividade na loja através de feeds de vídeo.
• Segurança e vigilância: Os modelos podem ser treinados para detetar anomalias ou monitorizar a atividade em tempo real em áreas sensíveis para aumentar a segurança.

Vantagens da integração do MLflow

A integração do MLflow com os modelosYOLO torna a gestão das experiências de aprendizagem automática mais fácil e mais eficiente. Ao automatizar as principais tarefas e manter tudo organizado, permite-lhe concentrar-se na criação e melhoria dos seus modelos. Vê aqui as principais vantagens:

• Escala para grandes projectos: A plataforma lida com várias experiências e modelos de forma eficiente, tornando-a adequada para equipas maiores e fluxos de trabalho complexos.
• Histórico detalhado das experiências: A plataforma mantém um histórico completo das experiências, permitindo-te revisitar execuções anteriores, analisar configurações anteriores e aprender com resultados anteriores.
• Desativação e reposição de opções: O registo do MLflow pode ser facilmente desativado quando não é necessário e as definições podem ser repostas para os valores predefinidos, oferecendo flexibilidade para se adaptar a diferentes requisitos de fluxo de trabalho.

Principais conclusões

A integração do MLflow torna a gestão e otimização das experiências Ultralytics YOLO mais fácil e eficiente. Ao seguir automaticamente detalhes importantes como parâmetros, métricas e artefactos, simplifica o processo e elimina o incómodo da gestão manual de experiências. 

Quer esteja a trabalhar em soluções de cuidados de saúde como a deteção de tumores, a melhorar os sistemas de condução autónoma ou a melhorar a análise de retalho, esta integração ajuda a manter tudo organizado e reproduzível. Com a sua interface intuitiva e flexibilidade, o MLflow permite que os programadores se concentrem na criação de melhores modelos e na promoção da inovação em aplicações de IA de visão.

Junta-te à nossa comunidade e consulta o nosso repositório GitHub para aprenderes mais sobre IA. Também podes explorar mais aplicações da visão computacional no fabrico ou da IA em carros autónomos nas nossas páginas de soluções.