Link to this sectionIntegrazione di MLflow per Ultralytics YOLO#

Link to this sectionIntroduzione#

Il logging degli esperimenti è un aspetto cruciale dei flussi di lavoro di machine learning che consente di tracciare varie metriche, parametri e artefatti. Aiuta a migliorare la riproducibilità del modello, a risolvere problemi e a ottimizzare le prestazioni. Ultralytics YOLO, noto per le sue capacità di object detection 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 di documentazione è una guida completa alla configurazione e all'utilizzo delle funzionalità di logging di MLflow per il tuo progetto Ultralytics YOLO.

Link to this sectionCos'è MLflow?#

MLflow è una piattaforma open-source sviluppata da Databricks per gestire il ciclo di vita del machine learning end-to-end. Include strumenti per tracciare esperimenti, impacchettare codice in esecuzioni riproducibili, nonché condividere e distribuire modelli. MLflow è progettato per funzionare con qualsiasi libreria di machine learning e linguaggio di programmazione.

Link to this sectionCaratteristiche#

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

Link to this sectionConfigurazione e prerequisiti#

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

pip install mlflow

Assicurati che il logging di MLflow sia abilitato nelle impostazioni di Ultralytics. Solitamente, questo è controllato dalla chiave mlflow nelle impostazioni. Vedi la pagina impostazioni per maggiori informazioni.

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

Link to this sectionCome utilizzare#

Link to this sectionComandi#

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

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

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

2. Imposta un nome di esecuzione (Run): in modo simile all'impostazione del nome del progetto, puoi impostare il nome dell'esecuzione tramite una variabile d'ambiente:

   export MLFLOW_RUN=YOUR_RUN_NAME

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

3. Avvia server MLflow locale: per iniziare il tracciamento, usa:

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

   Questo avvierà un server locale su http://127.0.0.1:5000 per impostazione predefinita e salverà tutti i log di MLflow nella directory 'runs/mlflow'. Per puntare le tue esecuzioni di addestramento a un server di tracciamento diverso, esporta MLFLOW_TRACKING_URI prima dell'addestramento:

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. Mantieni l'esecuzione MLflow attiva dopo l'addestramento: per impostazione predefinita, Ultralytics termina automaticamente l'esecuzione MLflow al completamento dell'addestramento. Per mantenere l'esecuzione aperta (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

   Il valore viene analizzato senza distinzione tra maiuscole e minuscole; solo la stringa true abilita questo comportamento, e qualsiasi altro valore (incluso il mancato settaggio) mantiene l'impostazione predefinita di chiusura dell'esecuzione. Ricordati di chiuderla manualmente in seguito con mlflow.end_run().

5. Termina le istanze del server MLflow: per interrompere tutte le istanze MLflow in esecuzione, esegui:

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

Link to this sectionRegistrazione (Logging)#

The logging is taken care of by the on_pretrain_routine_end, on_fit_epoch_end, and on_train_end callback functions. These functions are automatically called during the respective stages of the training process, and they handle the logging of parameters, metrics, and artifacts.

Link to this sectionEsempi#

1. Logging di metriche personalizzate: puoi aggiungere metriche personalizzate da registrare modificando il dizionario trainer.metrics prima che venga chiamata on_fit_epoch_end.

2. Visualizza esperimento: per visualizzare i tuoi log, naviga sul tuo server MLflow (solitamente http://127.0.0.1:5000) e seleziona l'esperimento e l'esecuzione.

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

Link to this sectionDisabilitazione di MLflow#

Per disattivare il logging di MLflow:

yolo settings mlflow=False

Link to this sectionConclusione#

L'integrazione del logging di MLflow con Ultralytics YOLO offre un modo snello per tenere traccia dei tuoi esperimenti di machine learning. Ti permette di monitorare le metriche di prestazione e gestire gli artefatti in modo efficace, aiutando così nello sviluppo e nella distribuzione robusta dei modelli. Per ulteriori dettagli, visita la documentazione ufficiale di MLflow.

Link to this sectionFAQ#

Link to this sectionCome configuro il logging di MLflow con Ultralytics YOLO?#

Per configurare il logging di MLflow con Ultralytics YOLO, devi prima assicurarti che MLflow sia installato. Puoi installarlo usando pip:

pip install mlflow

Successivamente, abilita il logging di MLflow nelle impostazioni di Ultralytics. Questo può essere controllato usando la chiave mlflow. Per ulteriori informazioni, vedi la guida alle impostazioni.

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

Infine, avvia un server MLflow locale per il tracciamento:

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

Link to this sectionQuali metriche e parametri posso registrare usando MLflow con Ultralytics YOLO?#

Ultralytics YOLO con MLflow supporta la registrazione di varie metriche, parametri e artefatti durante tutto il processo di addestramento:

• Logging delle metriche: traccia le metriche alla fine di ogni epoca e al completamento dell'addestramento.
• Logging dei parametri: registra tutti i parametri utilizzati nel processo di addestramento.
• Logging degli artefatti: salva gli artefatti del modello come pesi e file di configurazione dopo l'addestramento.

Per informazioni più dettagliate, visita la documentazione di tracciamento di Ultralytics YOLO.

Link to this sectionPosso disabilitare il logging di MLflow una volta abilitato?#

Sì, puoi disabilitare il logging di MLflow per Ultralytics YOLO aggiornando le impostazioni. Ecco come puoi farlo usando la CLI:

yolo settings mlflow=False

Per ulteriori personalizzazioni e per ripristinare le impostazioni, fai riferimento alla guida alle impostazioni.

Link to this sectionCome posso avviare e arrestare un server MLflow per il tracciamento con Ultralytics YOLO?#

Per avviare un server MLflow per tracciare i tuoi esperimenti in Ultralytics YOLO, usa il seguente comando:

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

Questo comando avvia un server locale su http://127.0.0.1:5000 per impostazione predefinita. Se devi arrestare le istanze del server MLflow in esecuzione, usa il seguente comando bash:

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

Fai riferimento alla sezione comandi per ulteriori opzioni di comando.

Link to this sectionCome mantengo attiva l'esecuzione di MLflow dopo il termine dell'addestramento?#

Imposta la variabile d'ambiente MLFLOW_KEEP_RUN_ACTIVE su True prima dell'addestramento:

export MLFLOW_KEEP_RUN_ACTIVE=True

Per impostazione predefinita questo valore è False, quindi Ultralytics chiama mlflow.end_run() una volta completato l'addestramento. Con MLFLOW_KEEP_RUN_ACTIVE=True l'esecuzione rimane aperta, così puoi registrare metriche, parametri o artefatti aggiuntivi dalla stessa sessione Python; chiudila tu stesso con mlflow.end_run() una volta terminato. Il valore viene analizzato senza distinzione tra maiuscole e minuscole; solo true abilita questo comportamento.

Link to this sectionQuali sono i vantaggi dell'integrazione di MLflow con Ultralytics YOLO per il tracciamento degli esperimenti?#

L'integrazione di MLflow con Ultralytics YOLO offre diversi vantaggi per la gestione dei tuoi esperimenti di machine learning:

• Tracciamento avanzato degli esperimenti: traccia e confronta facilmente diverse esecuzioni e i relativi risultati.
• Miglior riproducibilità del modello: assicurati che i tuoi esperimenti siano riproducibili registrando tutti i parametri e gli artefatti.
• Monitoraggio delle prestazioni: visualizza le metriche di prestazione nel tempo per prendere decisioni basate sui dati per migliorare i modelli.
• Flusso di lavoro ottimizzato: automatizza il processo di logging per concentrarti maggiormente sullo sviluppo del modello anziché sul tracciamento manuale.
• Sviluppo collaborativo: condividi i risultati degli esperimenti con i membri del team per una migliore collaborazione e condivisione delle conoscenze.

Per uno sguardo approfondito sulla configurazione e sull'utilizzo di MLflow con Ultralytics YOLO, esplora la documentazione Integrazione di MLflow per Ultralytics YOLO.