使用Weights & Biases 简化机器学习工作流程。跟踪、可视化和协作实验，实现更快、可重复的人工智能开发。
Weights & Biases (W&B) 是一个旨在通过提供实验跟踪、数据和模型版本管理以及协作工具来简化机器学习工作流程的平台。它是机器学习运营（MLOps）的中心枢纽，帮助个人和团队管理开发和部署人工智能模型的复杂性，包括 Ultralytics YOLO模型。它有助于更好地了解模型性能、实验的可重复性以及人工智能开发生命周期的整体效率。
Weights & Biases 是一个全面的 MLOps 平台，旨在提高机器学习从业人员的工作效率。它提供了一种系统化的方法来记录、跟踪和可视化 ML 实验的每个组成部分，包括数据集、超参数、准确率和损失等训练指标、代码版本和结果模型权重。通过提供一个清晰、有序的仪表板，W&B 简化了比较不同实验运行、调试模型以及与合作者分享研究结果的过程。它能与流行的框架顺利集成，如 PyTorch和 TensorFlow等流行框架的平滑集成，使其适用于各种人工智能项目。该平台有别于神经网络（NN）中的 "权重 "和 "偏置 "概念，后者指的是模型在训练过程中调整的可学习参数。W&B 是用于跟踪优化这些参数的实验的工具。您可以在文档中了解更多关于 Ultralytics 与 W&B 集成的信息。
Weights & Biases 提供了多种功能，可为多重L 生命周期提供支持：
Weights & Biases 》被广泛应用于各行各业，以改进机器学习开发流程。
为自动驾驶汽车开发感知系统的团队使用 W&B 来管理所需的大量实验。他们跟踪在代表不同驾驶条件（白天、夜晚、雨天）的各种数据集上训练的物体检测模型的平均精度 (mAP)等性能指标。W&B 允许他们比较使用不同架构（例如，比较YOLOv8 与 YOLOv9）、超参数或数据增强策略训练的模型，在测试图像上可视化边界框等结果，以确保部署前的稳健性和安全性。
在医疗保健领域，研究人员在开发用于医学图像分析的人工智能时，如检测 CT 扫描中的肿瘤或分割器官，都依赖于 W&B。他们在不同的训练历时中跟踪图像分割任务的 Dice 分数等指标。W&B 帮助管理涉及敏感数据的实验，跟踪模型版本以符合法规要求（如FDA 指南），并可视化图像上的分割掩膜以评估模型的准确性，最终帮助开发可靠的诊断工具。了解 Ultralytics YOLO 模型在医学成像中的应用。
通过提供强大的跟踪和可视化工具，Weights & Biases 极大地提高了机器学习项目从研究到生产的效率和可靠性。您可以使用集成了实验跟踪功能的Ultralytics HUB 管理自己的项目。
ZH
EN
KO
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
