Integrazione di MLflow per Ultralytics YOLO#

Introduzione#

La registrazione degli esperimenti è un aspetto cruciale dei flussi di lavoro di machine learning che consente di tenere traccia di varie metriche, parametri e artefatti. Aiuta a migliorare la riproducibilità dei modelli, a eseguire il debug dei problemi e a migliorare le prestazioni dei modelli. Ultralytics YOLO, noto per le sue capacità di rilevamento degli oggetti in tempo reale, offre ora l'integrazione con MLflow, una piattaforma open source per la gestione completa del ciclo di vita del machine learning.

Questa pagina della documentazione è una guida completa alla configurazione e all'utilizzo delle funzionalità di registrazione di MLflow per il tuo progetto Ultralytics YOLO.

Che cos'è MLflow?#

MLflow è una piattaforma open source sviluppata da Databricks per la gestione end-to-end del ciclo di vita del machine learning. Include strumenti per il monitoraggio degli esperimenti, la pacchettizzazione del codice in esecuzioni riproducibili e la condivisione e la distribuzione dei modelli. MLflow è progettato per funzionare con qualsiasi libreria di machine learning e linguaggio di programmazione.

Funzionalità#

• Registrazione delle metriche: registra le metriche al termine di ogni epoca e al termine dell'addestramento.
• Registrazione dei parametri: registra tutti i parametri utilizzati nell'addestramento.
• Registrazione degli artefatti: registra gli artefatti del modello, inclusi i pesi e i file di configurazione, al termine dell'addestramento.

Configurazione e prerequisiti#

Assicurati che MLflow sia installato. In caso contrario, installalo usando pip:

pip install mlflow

Assicurati che la registrazione di MLflow sia abilitata nelle impostazioni di Ultralytics. Di solito, ciò è controllato dalla chiave mlflow delle impostazioni. Consulta la pagina delle impostazioni per ulteriori informazioni.

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

Come utilizzarlo#

Comandi#

1. Impostazione del nome di un progetto: puoi impostare il nome del progetto tramite una variabile d'ambiente:

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

   In alternativa, usa l'argomento project=<project> durante l'addestramento di un modello YOLO, ad esempio yolo train project=my_project.

2. Impostazione del nome di un'esecuzione: analogamente all'impostazione del nome di un progetto, puoi impostare il nome dell'esecuzione tramite una variabile d'ambiente:

   export MLFLOW_RUN=YOUR_RUN_NAME

   In alternativa, usa l'argomento name=<name> durante l'addestramento di un modello YOLO, ad esempio yolo train project=my_project name=my_name.

3. Avvio del server MLflow locale: per iniziare il monitoraggio, usa:

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

   Per impostazione predefinita, questo avvierà un server locale all'indirizzo http://127.0.0.1:5000 e salverà tutti i log di mlflow nella directory 'runs/mlflow'. Per indirizzare le esecuzioni di addestramento a un server di monitoraggio diverso, esporta MLFLOW_TRACKING_URI prima dell'addestramento:

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. Mantenimento dell'esecuzione MLflow attiva dopo l'addestramento: per impostazione predefinita, Ultralytics termina automaticamente l'esecuzione MLflow al termine dell'addestramento. Per mantenere aperta l'esecuzione (ad esempio, per registrare ulteriori metriche o artefatti dallo stesso notebook), imposta MLFLOW_KEEP_RUN_ACTIVE su True prima dell'addestramento:

   export MLFLOW_KEEP_RUN_ACTIVE=True

   I valori 1, true, yes, on, y e t abilitano questo comportamento (senza distinzione tra maiuscole e minuscole). Qualsiasi altro valore, inclusa una variabile non impostata, mantiene il comportamento predefinito di chiusura dell'esecuzione. Ricordati di chiuderla manualmente in seguito con mlflow.end_run().

Registrazione#

La registrazione è gestita da on_pretrain_routine_end, on_fit_epoch_end e on_train_end, le funzioni callback. Queste funzioni vengono chiamate automaticamente durante le rispettive fasi del processo di addestramento e gestiscono la registrazione di parametri, metriche e artefatti.

Esempi#

1. Registrazione di metriche personalizzate: puoi aggiungere metriche personalizzate da registrare modificando il dizionario trainer.metrics prima della chiamata a on_fit_epoch_end.

2. Visualizza esperimento: per visualizzare i tuoi log, vai al tuo server MLflow (di solito http://127.0.0.1:5000) e seleziona il tuo esperimento e la tua esecuzione.

3. Visualizza esecuzione: le esecuzioni sono singoli modelli all'interno di un esperimento. Fai clic su un'esecuzione per visualizzarne i dettagli, inclusi gli artefatti caricati e i pesi del modello.

Disabilitazione di MLflow#

Per disattivare la registrazione di MLflow:

yolo settings mlflow=False

Conclusioni#

L'integrazione della registrazione di MLflow con Ultralytics YOLO offre un modo semplificato per tenere traccia dei tuoi esperimenti di machine learning. Ti consente di monitorare efficacemente le metriche delle prestazioni e gestire gli artefatti, favorendo così lo sviluppo e la distribuzione di modelli robusti. Per ulteriori dettagli, visita la documentazione ufficiale di MLflow.

FAQ#