Integração do MLflow com Ultralytics YOLO#

Introdução#

O registro de experimentos é um aspecto essencial dos fluxos de trabalho de aprendizado de máquina, permitindo acompanhar várias métricas, parâmetros e artefatos. Isso ajuda a aumentar a reprodutibilidade dos modelos, depurar problemas e melhorar o desempenho dos modelos. O Ultralytics YOLO, conhecido pelos recursos de detecção de objetos em tempo real, agora oferece integração com o MLflow, uma plataforma de código aberto para gerenciamento completo do ciclo de vida do aprendizado de máquina.

Esta página da documentação é um guia abrangente para configurar e usar os recursos de registro do MLflow no teu projeto Ultralytics YOLO.

O que é MLflow?#

O MLflow é uma plataforma de código aberto desenvolvida pela Databricks para gerenciar o ciclo de vida completo do aprendizado de máquina. Inclui ferramentas para acompanhar experimentos, empacotar código em execuções reproduzíveis e compartilhar e implantar modelos. O MLflow foi projetado para funcionar com qualquer biblioteca de aprendizado de máquina e linguagem de programação.

Recursos#

• Registro de métricas: Registra taxas de aprendizado, perdas de treinamento e métricas de validação ao final de cada época.
• Registro de parâmetros: Registra todos os parâmetros usados no treinamento.
• Registro de artefatos: Registra artefatos do modelo, incluindo pesos e arquivos de configuração, ao final do treinamento.

Configuração e pré-requisitos#

Verifica se o MLflow está instalado. Caso contrário, instala-o usando pip:

pip install mlflow

Verifica se o registro do MLflow está ativado nas configurações da Ultralytics. Normalmente, isso é controlado pela chave mlflow nas configurações. Consulta a página de configurações para mais informações.

from ultralytics import settings

# Atualizar uma configuração
settings.update({"mlflow": True})

# Redefinir as configurações para os valores padrão
settings.reset()

Como usar#

Comandos#

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

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

   Ou usa o argumento project=<project> ao treinar um modelo YOLO, por exemplo, yolo train project=my_project.

2. Definir um nome de execução: Assim como no nome do projeto, podes definir o nome da execução por meio de uma variável de ambiente:

   export MLFLOW_RUN=YOUR_RUN_NAME

   Ou usa 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 começar a acompanhar, usa:

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

   Isso iniciará um servidor local em http://127.0.0.1:5000 por padrão e salvará todos os registros do MLflow no diretório 'runs/mlflow'. Para direcionar as execuções de treinamento a outro servidor de acompanhamento, define MLFLOW_TRACKING_URI antes do treinamento:

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. Manter a execução do MLflow ativa após o treinamento: Por padrão, a Ultralytics encerra automaticamente a execução do MLflow quando o treinamento termina. Para manter a execução aberta (por exemplo, para registrar métricas ou artefatos adicionais no mesmo notebook), define MLFLOW_KEEP_RUN_ACTIVE como True antes do treinamento:

   export MLFLOW_KEEP_RUN_ACTIVE=True

   Os valores 1, true, yes, on, y e t ativam esse comportamento (sem distinção entre maiúsculas e minúsculas). Qualquer outro valor, inclusive uma variável não definida, mantém o comportamento padrão de fechar a execução. Lembra-te de fechá-la manualmente depois com mlflow.end_run().

Registro de dados#

O registo é feito pelas funções on_pretrain_routine_end, on_train_epoch_end, on_fit_epoch_end e on_train_end de retorno de chamada. Essas funções são chamadas automaticamente durante as respetivas etapas do processo de treino e tratam do registo de parâmetros, métricas e artefactos.

Exemplos#

1. Registo de métricas personalizadas: podes adicionar métricas personalizadas para registo modificando o dicionário trainer.metrics antes da chamada de on_fit_epoch_end.

2. Ver a experiência: para veres os teus registos, acede ao teu servidor MLflow (normalmente http://127.0.0.1:5000) e seleciona a tua experiência e a execução.

3. Ver a execução: as execuções são modelos individuais dentro de uma experiência. Clica numa execução para veres os respetivos detalhes, 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 aprendizagem automática. Permite monitorizar métricas de desempenho e gerir artefactos de forma eficaz, contribuindo para um desenvolvimento e uma implementação robustos de modelos. Para mais detalhes, consulta a documentação oficial do MLflow.

Perguntas frequentes#