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.

2. 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.

3. 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 guarda todos los registros mlflow en el directorio 'runs/mlflow'. Para especificar un URI diferente, establece el parámetro MLFLOW_TRACKING_URI variable de entorno.

4. 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), 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.

PREGUNTAS FRECUENTES

¿Cómo configuro el registro de MLflow con Ultralytics YOLO ?

Para configurar el registro de MLflow con Ultralytics YOLO , primero tienes que asegurarte de que MLflow está instalado. Puedes instalarlo utilizando pip:

pip install mlflow

A continuación, activa el registro MLflow en los ajustes de Ultralytics . Esto se puede controlar mediante la opción mlflow llave. Para más información, consulta guía de ajustes.

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

Por último, inicia un servidor MLflow local para el seguimiento:

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

¿Qué métricas y parámetros puedo registrar utilizando MLflow con Ultralytics YOLO ?

Ultralytics YOLO con MLflow admite el registro de diversas métricas, parámetros y artefactos a lo largo del proceso de entrenamiento:

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

Para obtener información más detallada, visita la documentación de seguimiento deUltralytics YOLO .

¿Puedo desactivar el registro MLflow una vez activado?

Sí, puedes desactivar el registro MLflow para Ultralytics YOLO actualizando la configuración. A continuación te explicamos cómo puedes hacerlo utilizando la página CLI:

yolo settings mlflow=False

Para personalizar y restablecer los ajustes, consulta la guía de ajustes.

¿Cómo puedo iniciar y detener un servidor MLflow para el seguimiento de Ultralytics YOLO ?

Para iniciar un servidor MLflow para el seguimiento de tus experimentos en Ultralytics YOLO , utiliza el siguiente comando:

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

Este comando inicia un servidor local en http://127.0.0.1:5000 por defecto. Si necesitas detener la ejecución de instancias del servidor MLflow, utiliza el siguiente comando bash :

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

Consulta la sección Comandos para ver más opciones de comandos.

¿Cuáles son las ventajas de integrar MLflow con Ultralytics YOLO para el seguimiento de experimentos?

La integración de MLflow con Ultralytics YOLO ofrece varias ventajas para gestionar tus experimentos de aprendizaje automático:

• Seguimiento de experimentos mejorado: Rastrea y compara fácilmente diferentes ejecuciones y sus resultados.
• Reproducibilidad mejorada del modelo: Asegúrate de que tus experimentos son reproducibles registrando todos los parámetros y artefactos.
• Monitorización del rendimiento: Visualiza las métricas de rendimiento a lo largo del tiempo para tomar decisiones basadas en datos para mejorar el modelo.

Para conocer en profundidad cómo configurar y aprovechar MLflow con Ultralytics YOLO , explora la documentación Integración de MLflow para Ultralytics YOLO .

📅 Created 10 months ago ✏️ Updated 7 days ago

Comentarios