Integração do MLflow com o Ultralytics YOLO#

Introdução#

O registo de experiências é um aspeto crucial dos fluxos de trabalho de machine learning, permitindo acompanhar várias métricas, parâmetros e artefactos. Ajuda a melhorar a reprodutibilidade dos modelos, a depurar problemas e a melhorar o desempenho dos modelos. O Ultralytics YOLO, conhecido pelas suas capacidades de deteção de objetos em tempo real, oferece agora integração com o MLflow, uma plataforma de código aberto para a gestão completa do ciclo de vida de machine learning.

Esta página de documentação é um guia completo para configurar e utilizar as capacidades de registo do MLflow no teu projeto Ultralytics YOLO.

O que é o MLflow?#

O MLflow é uma plataforma de código aberto desenvolvida pela Databricks para gerir o ciclo de vida completo de machine learning. Inclui ferramentas para acompanhar experiências, empacotar código em execuções reproduzíveis e partilhar e implementar modelos. O MLflow foi concebido para funcionar com qualquer biblioteca de machine learning e linguagem de programação.

Funcionalidades#

• Registo de métricas: Regista métricas no final de cada época e no final do treino.
• Registo de parâmetros: Regista todos os parâmetros utilizados no treino.
• Registo de artefactos: Regista os artefactos do modelo, incluindo pesos e ficheiros de configuração, no final do treino.

Configuração e pré-requisitos#

Garante que o MLflow está instalado. Caso contrário, instala-o utilizando pip:

pip install mlflow

Certifica-te de que o registo do MLflow está ativado nas definições do Ultralytics. Normalmente, isto é controlado pela chave mlflow das definições. Consulta a página de definições para obter mais informações.

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

Como utilizar#

Comandos#

1. Definir um nome de projeto: Podes definir o nome do projeto através de uma variável de ambiente:

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

   Em alternativa, utiliza o argumento project=<project> ao treinar um modelo YOLO, por exemplo, yolo train project=my_project.

2. Definir um nome de execução: Tal como acontece com a definição do nome do projeto, podes definir o nome da execução através de uma variável de ambiente:

   export MLFLOW_RUN=YOUR_RUN_NAME

   Em alternativa, utiliza o argumento name=<name> ao treinar um modelo YOLO, por exemplo, yolo train project=my_project name=my_name.

3. Iniciar um servidor MLflow local: Para começares a acompanhar, utiliza:

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

   Isto iniciará, por predefinição, um servidor local em http://127.0.0.1:5000 e guardará todos os registos do mlflow no diretório 'runs/mlflow'. Para direcionares as tuas execuções de treino para outro servidor de acompanhamento, exporta MLFLOW_TRACKING_URI antes do treino:

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. Manter a execução do MLflow ativa após o treino: Por predefinição, o Ultralytics termina automaticamente a execução do MLflow quando o treino termina. Para manter a execução aberta (por exemplo, para registar métricas ou artefactos adicionais a partir do mesmo notebook), define MLFLOW_KEEP_RUN_ACTIVE como True antes do treino:

   export MLFLOW_KEEP_RUN_ACTIVE=True

   Os valores 1, true, yes, on, y e t ativam este comportamento (sem distinção entre maiúsculas e minúsculas). Qualquer outro valor, incluindo uma variável não definida, mantém o comportamento predefinido de fechar a execução. Não te esqueças de a fechar manualmente depois com mlflow.end_run().

Registo#

O registo é tratado por on_pretrain_routine_end, on_fit_epoch_end e on_train_end, que são funções de callback. Estas funções são chamadas automaticamente durante as respetivas fases do processo de treino e tratam do registo de parâmetros, métricas e artefactos.

Exemplos#

1. Registar métricas personalizadas: Podes adicionar métricas personalizadas para serem registadas, modificando o dicionário trainer.metrics antes de on_fit_epoch_end ser chamado.

2. Ver experiência: Para ver os seus registos, navegue até ao seu servidor MLflow (normalmente http://127.0.0.1:5000) e selecione a sua experiência e execução.

3. Ver execução: As execuções são modelos individuais dentro de uma experiência. Clique numa execução e veja os detalhes da execução, incluindo os artefactos carregados e os pesos do modelo.

Desativar o MLflow#

Para desativar o registo do MLflow:

yolo settings mlflow=False

Conclusão#

A integração do registo do MLflow com o Ultralytics YOLO oferece uma forma simplificada de acompanhar as tuas experiências de machine learning. Permite monitorizar eficazmente as métricas de desempenho e gerir artefactos, contribuindo assim para um desenvolvimento e uma implementação robustos de modelos. Para obteres mais informações, consulta a documentação oficial do MLflow.

Perguntas frequentes#