Integración de MLflow para Ultralytics YOLO

Introducción

El registro de experimentos es un aspecto crucial de los flujos de trabajo del aprendizaje automático que permite el seguimiento de diversas métricas, parámetros y artefactos. Ayuda a mejorar la reproducibilidad del modelo, depurar problemas y mejorar el rendimiento del modelo. Ultralytics YOLO, conocido por sus capacidades de detección de objetos en tiempo real, ofrece ahora integración con MLflow, una plataforma de código abierto para la gestión completa del ciclo de vida del aprendizaje automático.

Esta página de documentación es una guía completa para configurar y utilizar las funciones de registro de MLflow para tu proyecto Ultralytics YOLO .

¿Qué es MLflow?

MLflow es una plataforma de código abierto desarrollada por Databricks para gestionar el ciclo de vida completo del aprendizaje automático. Incluye herramientas para hacer un seguimiento de los experimentos, empaquetar el código en ejecuciones reproducibles, y compartir y desplegar modelos. MLflow está diseñado para funcionar con cualquier biblioteca de aprendizaje automático y lenguaje de programación.

Características

• Registro de métricas: Registra las métricas al final de cada época y al final del entrenamiento.
• Registro de parámetros: Registra todos los parámetros utilizados en el entrenamiento.
• Registro de artefactos: Registra los artefactos del modelo, incluidos los pesos y los archivos de configuración, al final del entrenamiento.

Configuración y requisitos previos

Asegúrate de que MLflow está instalado. Si no lo está, instálalo con pip:

pip install mlflow

Asegúrate de que el registro MLflow está activado en los ajustes de Ultralytics . Normalmente, esto se controla mediante los ajustes mflow llave. Ver la ajustes para más información.

from ultralytics import settings

# Update a setting
settings.update({"mlflow": True})

# Reset settings to default values
settings.reset()

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Reset settings to default values
yolo settings reset

Cómo utilizarlo

Comandos

1. Establecer un nombre de proyecto: Puedes establecer el nombre del proyecto mediante una variable de entorno:

   export MLFLOW_EXPERIMENT_NAME=<your_experiment_name>
   

O utiliza el project=<project> al entrenar un modelo YOLO , es decir yolo train project=my_project.

1. Establecer un nombre de ejecución: De forma similar a establecer un nombre de proyecto, puedes establecer el nombre de ejecución mediante una variable de entorno:

   export MLFLOW_RUN=<your_run_name>
   

O utiliza el name=<name> al entrenar un modelo YOLO , es decir yolo train project=my_project name=my_name.

1. Inicia el servidor MLflow local: Para iniciar el seguimiento, utiliza

   mlflow server --backend-store-uri runs/mlflow'
   

Esto iniciará un servidor local en http://127.0.0.1:5000 por defecto y guardará todos los registros de mlflow en el directorio 'runs/mlflow'. Para especificar un URI diferente, establece el parámetro MLFLOW_TRACKING_URI variable de entorno.

1. Matar las instancias del servidor MLflow: Para detener todas las instancias de MLflow en ejecución, ejecuta:

   ps aux | grep 'mlflow' | grep -v 'grep' | awk '{print $2}' | xargs kill -9
   

Registro

Del registro se encarga el on_pretrain_routine_end, on_fit_epoch_endy on_train_end funciones de llamada de retorno. Estas funciones se llaman automáticamente durante las respectivas etapas del proceso de entrenamiento, y se encargan del registro de parámetros, métricas y artefactos.

Ejemplos

1. Registro de métricas personalizadas: Puedes añadir métricas personalizadas para que se registren modificando la opción trainer.metrics diccionario antes on_fit_epoch_end se llama.

2. Ver Experimento: Para ver tus registros, navega a tu servidor MLflow (normalmente http://127.0.0.1:5000) y selecciona tu experimento y ejecútalo.

3. Ver Carrera: Las Ejecuciones son modelos individuales dentro de un experimento. Haz clic en una Corrida y verás los detalles de la misma, incluidos los artefactos cargados y los pesos de los modelos.

Desactivar MLflow

Para desactivar el registro MLflow:

yolo settings mlflow=False

Conclusión

La integración del registro de MLflow con Ultralytics YOLO ofrece una forma racionalizada de realizar un seguimiento de tus experimentos de aprendizaje automático. Te permite supervisar las métricas de rendimiento y gestionar los artefactos de forma eficaz, ayudando así a desarrollar y desplegar modelos sólidos. Para más detalles, visita la documentación oficial de MLflow.

Comentarios