Integrazione di MLflow con Ultralytics YOLO#

Introduzione#

La registrazione degli esperimenti è un aspetto cruciale dei flussi di lavoro di apprendimento automatico e consente di tenere traccia di diverse 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 dell’apprendimento automatico.

Questa pagina della documentazione è una guida completa alla configurazione e all'uso 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 gestire l'intero ciclo di vita dell'apprendimento automatico. Include strumenti per monitorare gli esperimenti, preparare il codice per esecuzioni riproducibili e condividere e distribuire modelli. MLflow è progettato per funzionare con qualsiasi libreria di apprendimento automatico e linguaggio di programmazione.

Funzionalità#

• Registrazione delle metriche: registra i tassi di apprendimento, le perdite di addestramento e le metriche di convalida al termine di ogni epoca.
• Registrazione dei parametri: registra tutti i parametri usati durante l'addestramento.
• Registrazione degli artefatti: registra gli artefatti del modello, inclusi pesi e file di configurazione, al termine dell'addestramento.

Configurazione e prerequisiti#

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

pip install mlflow

Assicurati che la registrazione di MLflow sia attiva nelle impostazioni di Ultralytics. In genere è controllata dalla chiave di impostazione mlflow. Per ulteriori informazioni, consulta la pagina delle impostazioni.

from ultralytics import settings

# Aggiorna un'impostazione
settings.update({"mlflow": True})

# Ripristina le impostazioni ai valori predefiniti
settings.reset()

Modalità d'uso#

Comandi#

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

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

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

2. Imposta il nome dell'esecuzione: come per il nome del progetto, puoi impostare il nome dell'esecuzione tramite una variabile d'ambiente:

   export MLFLOW_RUN=YOUR_RUN_NAME

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

3. Avvia un server MLflow locale: senza MLFLOW_TRACKING_URI, le esecuzioni vengono registrate nell'archivio locale predefinito di MLflow nella directory in cui esegui l'addestramento (mlflow.db con MLflow 3.7 e versioni successive, a meno che la directory non contenga già una cronologia mlruns/, mlruns/ nelle versioni precedenti). Per visualizzarle, esegui questo comando dalla stessa directory:

   mlflow ui

   Per impostazione predefinita, verrà avviato un server locale all'indirizzo http://127.0.0.1:5000. Per indirizzare 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 attiva l'esecuzione di MLflow dopo l'addestramento: per impostazione predefinita, Ultralytics termina automaticamente l'esecuzione di MLflow al termine dell'addestramento, con stato FAILED se l'addestramento ha generato un errore prima che l'esecuzione venisse chiusa. Per mantenere aperta l'esecuzione (ad esempio, per registrare metriche o artefatti aggiuntivi 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_train_epoch_end, on_fit_epoch_end e on_train_end, le funzioni di callback. Queste funzioni vengono chiamate automaticamente durante le rispettive fasi del processo di addestramento e gestiscono la registrazione di parametri, metriche e artefatti. La callback teardown termina un'esecuzione lasciata aperta da un addestramento non riuscito.

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. Visualizzare l'esperimento: per visualizzare i log, accedi al tuo server MLflow (di solito http://127.0.0.1:5000) e seleziona l'esperimento e l'esecuzione.

3. Visualizzare un'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.

Disattivare MLflow#

Per disattivare la registrazione di MLflow:

yolo settings mlflow=False

Conclusione#

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

Domande frequenti#