术语表

Weights & Biases

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。

使用Ultralytics HUB 对YOLO 模型进行简单培训

了解更多

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。

什么是Weights & Biases?

Weights & Biases 是一个综合性的 MLOps 平台,旨在提高机器学习(ML)从业人员的工作效率。它提供了一种系统化的方法来记录、跟踪和可视化机器学习实验的每个组成部分,包括数据集(如COCO或通过Ultralytics HUB 管理的自定义数据集)、超参数准确率损失等训练指标、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 PyTorchTensorFlow等流行框架,使其适用于从计算机视觉(CV)自然语言处理(NLP)等各种人工智能项目。

必须将权重Weights & Biases 偏置平台神经网络(NN)中的 "权重 "和 "偏置 "概念区分开来。在神经网络中,weights and biases 是可学习的参数,模型在训练过程中使用优化算法进行调整,以最小化损失函数。权重决定神经元之间的连接强度,而偏置则提供偏移量,允许激活函数阈值移动。Weights & Biases平台是用于跟踪和管理实验的工具,目的是找到这些神经网络参数的最佳值。你可以在文档中了解更多关于 Ultralytics 与 W&B 集成的信息。

主要特点Weights & Biases

Weights & Biases 提供了多种功能,可为多重L 生命周期提供支持:

真实世界的应用Weights & Biases

Weights & Biases 》被广泛应用于各行各业,以改进机器学习开发流程。

  1. 开发计算机视觉模型:团队培训 Ultralytics YOLOv8自动驾驶汽车物体检测模型的团队可以使用 W&B 记录使用不同数据增强策略或骨干架构的训练运行。他们可以在Argoverse 等数据集上可视化精确度召回率指标的影响,在 W&B 面板中比较结果,并使用 Artifacts 版本性能最佳的模型权重,以便日后部署。阅读关于Ultralytics 和 W&B 整合的信息。
  2. 医学图像分析:进行医学图像分析以检测疾病的研究人员可以利用 W&B,例如使用在脑肿瘤数据集上训练的模型。他们可以跟踪涉及微调预训练模型的实验,可视化分割掩码或分类准确性,监控 GPU使用情况,并通过共享详细的研究结果报告进行协作,从而确保敏感应用的透明度和可重复性。这与可解释人工智能(XAI)的目标不谋而合。

通过为管理 ML 生命周期提供结构化环境,Weights & Biases 可以帮助团队更快地建立更好的模型,并促进人工智能开发中的协作和可重复性。您可以通过官方文档了解如何将 W&B 与您的Ultralytics 项目集成。

阅读全部