Intégration de MLflow pour Ultralytics YOLO#

Introduction#

La journalisation des expériences est un aspect essentiel des workflows d'apprentissage automatique, qui permet de suivre diverses métriques, paramètres et artefacts. Elle contribue à améliorer la reproductibilité des modèles, à déboguer les problèmes et à optimiser les performances des modèles. Ultralytics YOLO, connu pour ses capacités de détection d'objets en temps réel, propose désormais une intégration avec MLflow, une plateforme open source de gestion complète du cycle de vie de l'apprentissage automatique.

Cette page de documentation est un guide complet pour configurer et utiliser les fonctionnalités de journalisation MLflow dans ton projet Ultralytics YOLO.

Qu'est-ce que MLflow ?#

MLflow est une plateforme open source développée par Databricks pour gérer l'ensemble du cycle de vie de l'apprentissage automatique. Elle comprend des outils de suivi des expériences, de conditionnement du code en exécutions reproductibles, ainsi que de partage et de déploiement des modèles. MLflow est conçu pour fonctionner avec n'importe quelle bibliothèque d'apprentissage automatique et n'importe quel langage de programmation.

Fonctionnalités#

• Journalisation des métriques : journalise les taux d'apprentissage, les pertes d'entraînement et les métriques de validation à la fin de chaque époque.
• Journalisation des paramètres : journalise tous les paramètres utilisés pendant l'entraînement.
• Journalisation des artefacts : journalise les artefacts du modèle, notamment les poids et les fichiers de configuration, à la fin de l'entraînement.

Configuration et prérequis#

Vérifie que MLflow est installé. Sinon, installe-le avec pip :

pip install mlflow

Vérifie que la journalisation MLflow est activée dans les paramètres Ultralytics. Elle est généralement contrôlée par la clé de paramètres mlflow. Consulte la page des paramètres pour en savoir plus.

from ultralytics import settings

# Mettre à jour un paramètre
settings.update({"mlflow": True})

# Rétablir les valeurs par défaut des paramètres
settings.reset()

Utilisation#

Commandes#

1. Définir un nom de projet : tu peux définir le nom du projet à l'aide d'une variable d'environnement :

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

   Tu peux aussi utiliser l'argument project=<project> lors de l'entraînement d'un modèle YOLO, par exemple yolo train project=my_project.

2. Définir un nom d'exécution : comme pour le nom du projet, tu peux définir le nom de l'exécution à l'aide d'une variable d'environnement :

   export MLFLOW_RUN=YOUR_RUN_NAME

   Tu peux aussi utiliser l'argument name=<name> lors de l'entraînement d'un modèle YOLO, par exemple yolo train project=my_project name=my_name.

3. Démarrer un serveur MLflow local : pour commencer le suivi, utilise :

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

   Par défaut, un serveur local sera démarré à l'adresse http://127.0.0.1:5000 et tous les journaux MLflow seront enregistrés dans le répertoire 'runs/mlflow'. Pour diriger tes exécutions d'entraînement vers un autre serveur de suivi, exporte MLFLOW_TRACKING_URI avant l'entraînement :

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. Garder l'exécution MLflow active après l'entraînement : par défaut, Ultralytics termine automatiquement l'exécution MLflow à la fin de l'entraînement. Pour la laisser ouverte (par exemple, afin de journaliser des métriques ou des artefacts supplémentaires depuis le même notebook), définis MLFLOW_KEEP_RUN_ACTIVE sur True avant l'entraînement :

   export MLFLOW_KEEP_RUN_ACTIVE=True

   Les valeurs 1, true, yes, on, y et t activent ce comportement (sans distinction entre majuscules et minuscules). Toute autre valeur, y compris une variable non définie, conserve le comportement par défaut, qui consiste à fermer l’exécution. Pense à la fermer manuellement ensuite avec mlflow.end_run().

Journalisation#

La journalisation est prise en charge par les fonctions de rappel on_pretrain_routine_end, on_train_epoch_end, on_fit_epoch_end et on_train_end (fonctions de rappel). Ces fonctions sont automatiquement appelées aux étapes correspondantes du processus d’entraînement et gèrent la journalisation des paramètres, des métriques et des artefacts.

Exemples#

1. Journalisation de métriques personnalisées : tu peux ajouter des métriques personnalisées à journaliser en modifiant le dictionnaire trainer.metrics avant l’appel de on_fit_epoch_end.

2. Afficher l’expérience : pour consulter tes journaux, accède à ton serveur MLflow (généralement http://127.0.0.1:5000) et sélectionne ton expérience et ton exécution.

3. Afficher l’exécution : les exécutions sont des modèles individuels au sein d’une expérience. Clique sur une exécution pour consulter ses détails, notamment les artefacts importés et les poids du modèle.

Désactiver MLflow#

Pour désactiver la journalisation MLflow :

yolo settings mlflow=False

Conclusion#

L’intégration de la journalisation MLflow à Ultralytics YOLO offre un moyen simplifié de suivre tes expériences de machine learning. Elle te permet de surveiller les métriques de performance et de gérer efficacement les artefacts, contribuant ainsi au développement et au déploiement robustes de modèles. Pour en savoir plus, consulte la documentation officielle de MLflow.

FAQ#