MLflow 통합 대상 Ultralytics YOLO

소개

실험 로깅은 다양한 메트릭, 매개변수 및 아티팩트를 추적할 수 있는 머신 러닝 워크플로우의 중요한 측면입니다. 모델 재현성을 높이고, 문제를 디버그하며, 모델 성능을 개선하는 데 도움이 됩니다. Ultralytics YOLO 실시간 객체 감지 기능으로 잘 알려진 머신 러닝 라이프사이클 관리를 위한 오픈 소스 플랫폼인 MLflow와의 통합을 이제 제공합니다.

이 문서 페이지는 Ultralytics YOLO 프로젝트의 MLflow 로깅 기능 설정 및 활용에 대한 종합적인 안내서입니다.

MLflow란 무엇인가요?

MLflow는 엔드투엔드 머신 러닝 수명 주기를 관리하기 위해 데이터브릭스에서 개발한 오픈 소스 플랫폼입니다. 여기에는 실험 추적, 재현 가능한 실행으로 코드 패키징, 모델 공유 및 배포를 위한 도구가 포함되어 있습니다. MLflow는 모든 머신 러닝 라이브러리 및 프로그래밍 언어와 함께 작동하도록 설계되었습니다.

특징

• 메트릭 로깅: 각 에포크가 끝날 때와 교육이 끝날 때 메트릭을 기록합니다.
• 파라미터 로깅: 트레이닝에 사용된 모든 파라미터를 기록합니다.
• 아티팩트 로깅: 훈련이 끝나면 가중치 및 구성 파일을 포함한 모델 아티팩트를 기록합니다.

설정 및 사전 요구 사항

MLflow가 설치되어 있는지 확인합니다. 설치되어 있지 않은 경우 pip를 사용하여 설치하세요:

pip install mlflow

Ultralytics 설정에서 MLflow 로깅이 활성화되어 있는지 확인합니다. 일반적으로 이 설정은 다음과 같은 설정으로 제어됩니다. mflow 키를 입력합니다. 참조 설정 페이지에서 자세한 정보를 확인하세요.

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

사용 방법

명령

1. 프로젝트 이름을 설정합니다: 환경 변수를 통해 프로젝트 이름을 설정할 수 있습니다:

   export MLFLOW_EXPERIMENT_NAME=<your_experiment_name>
   

또는 project=<project> 인수를 사용하여 YOLO 모델을 학습시킬 때, 즉 yolo train project=my_project.

1. 실행 이름 설정: 프로젝트 이름 설정과 마찬가지로 환경 변수를 통해 실행 이름을 설정할 수 있습니다:

   export MLFLOW_RUN=<your_run_name>
   

또는 name=<name> 인수를 사용하여 YOLO 모델을 학습시킬 때, 즉 yolo train project=my_project name=my_name.

1. 로컬 MLflow 서버를 시작합니다: 추적을 시작하려면 다음을 사용합니다:

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

이렇게 하면 기본적으로 http://127.0.0.1:5000 에서 로컬 서버가 시작되고 모든 mlflow 로그가 'runs/mlflow' 디렉터리에 저장됩니다. 다른 URI를 지정하려면 다음과 같이 설정하세요. MLFLOW_TRACKING_URI 환경 변수입니다.

1. MLflow 서버 인스턴스 종료: 실행 중인 모든 MLflow 인스턴스를 중지하려면 실행합니다:

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

로깅

로깅은 다음에서 처리합니다. on_pretrain_routine_end, on_fit_epoch_end및 on_train_end 콜백 함수. 이러한 함수는 학습 프로세스의 각 단계에서 자동으로 호출되며 매개변수, 메트릭 및 아티팩트의 로깅을 처리합니다.

예제

1. 사용자 지정 지표 로깅: 사용자 정의 메트릭을 수정하여 기록할 사용자 정의 메트릭을 추가할 수 있습니다. trainer.metrics 사전 이전 on_fit_epoch_end 를 호출합니다.

2. 실험 보기: 로그를 보려면 MLflow 서버(일반적으로 http://127.0.0.1:5000)로 이동하여 실험을 선택하고 실행합니다.

3. 실행 보기: 실행은 실험 내의 개별 모델입니다. 실행을 클릭하면 업로드된 아티팩트 및 모델 가중치를 포함한 실행 세부 정보를 확인할 수 있습니다.

MLflow 비활성화

MLflow 로깅을 끄려면 다음과 같이 하세요:

yolo settings mlflow=False

결론

MLflow 로깅 통합( Ultralytics YOLO )은 머신 러닝 실험을 추적하는 간소화된 방법을 제공합니다. 이를 통해 성능 메트릭을 모니터링하고 아티팩트를 효과적으로 관리하여 강력한 모델 개발 및 배포를 지원할 수 있습니다. 자세한 내용은 MLflow 공식 문서를 참조하세요.

댓글