Skip to main content
在 GitHub 上编辑 (EN)

用于 Ultralytics YOLO 的 MLflow 集成

MLflow experiment tracking with Ultralytics YOLO

简介

实验记录是机器学习 工作流中至关重要的一环，它支持跟踪各种指标、参数和工件。这有助于提高模型的可重复性、调试问题并提升模型性能。Ultralytics YOLO 以其实时目标检测 能力著称，现在提供了与 MLflow的集成，这是一个用于完整机器学习生命周期管理的开源平台。

本文档页面是设置和利用 MLflow 记录功能来辅助你的 Ultralytics YOLO 项目的综合指南。

什么是 MLflow？

MLflow 是一个由 Databricks 开发的开源平台，用于管理端到端的机器学习生命周期。它包含用于跟踪实验、将代码打包成可重复运行的程序，以及共享和部署模型的工具。MLflow 旨在与任何机器学习库和编程语言配合使用。

功能

  • 指标记录：在每个 epoch 结束和训练完成时记录指标。
  • 参数记录：记录训练中使用的所有参数。
  • 工件记录：在训练结束时记录模型工件，包括权重和配置文件。

设置与先决条件

确保已安装 MLflow。如果未安装，请使用 pip 进行安装：

pip install mlflow

确保在 Ultralytics 设置中启用了 MLflow 记录。通常，这由设置中的 mlflow 键控制。查看 settings 页面以获取更多信息。

更新 Ultralytics MLflow 设置

在 Python 环境中，调用 update 方法作用于 settings 对象以更改你的设置：

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

如何使用

命令

  1. 设置项目名称：你可以通过环境变量设置项目名称：

    export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

    或者在训练 YOLO 模型时使用 project=<project> 参数，例如 yolo train project=my_project.

  2. 设置运行名称：与设置项目名称类似，你可以通过环境变量设置运行名称：

    export MLFLOW_RUN=YOUR_RUN_NAME

    或者在训练 YOLO 模型时使用 name=<name> 参数，例如 yolo train project=my_project name=my_name.

  3. 启动本地 MLflow 服务器：要开始跟踪，请使用：

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

    这将在默认的 http://127.0.0.1:5000 启动本地服务器，并将所有 mlflow 日志保存到 'runs/mlflow' 目录。要将你的训练运行指向不同的跟踪服务器，请在训练前导出 MLFLOW_TRACKING_URI：

    export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

  4. 终止 MLflow 服务器实例：要停止所有正在运行的 MLflow 实例，请运行：

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

日志记录

记录功能由 on_pretrain_routine_end, on_fit_epoch_end，以及 on_train_end 回调函数处理。这些函数在训练过程的相应阶段自动调用，并负责处理参数、指标和工件的记录。

示例

  1. 记录自定义指标：你可以通过在调用 trainer.metrics 之前修改 on_fit_epoch_end 字典来添加要记录的自定义指标。

  2. 查看实验：要查看日志，请导航至你的 MLflow 服务器（通常为 http://127.0.0.1:5000）并选择你的实验和运行。MLflow experiment tracking interface for YOLO

  3. 查看运行：运行是实验中的单个模型。点击一个运行即可查看详细信息，包括已上传的工件和模型权重。MLflow run details with YOLO artifacts

禁用 MLflow

要关闭 MLflow 记录：

yolo settings mlflow=False

document processing

与 Ultralytics YOLO 集成的 MLflow 记录提供了一种精简的方式来跟踪你的 机器学习实验。它使你能够有效地监控性能指标并管理工件，从而助力稳健的模型开发和部署。有关详细信息，请访问 MLflowofficial documentation.

FAQ

如何设置 MLflow 记录以用于 Ultralytics YOLO？

要设置 MLflow 记录以用于 Ultralytics YOLO，首先需要确保安装了 MLflow。你可以使用 pip 安装它：

pip install mlflow

接下来，在 Ultralytics 设置中启用 MLflow 记录。这可以使用 mlflow 键进行控制。有关更多信息，请参阅 设置指南.

更新 Ultralytics MLflow 设置
from ultralytics import settings

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

# Reset settings to default values
settings.reset()

最后，启动一个本地 MLflow 服务器进行跟踪：

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

使用 MLflow 和 Ultralytics YOLO 可以记录哪些指标和参数？

Ultralytics YOLO 与 MLflow 集成后支持在整个训练过程中记录各种指标、参数和工件：

  • 指标记录：跟踪每个 epoch 结束时以及训练完成时的指标。
  • 参数记录：记录训练过程中使用的所有参数。
  • 工件记录：在训练后保存模型工件，如权重和配置文件。

有关更详细的信息，请访问 Ultralytics YOLO 跟踪文档.

启用 MLflow 记录后可以将其禁用吗？

是的，你可以通过更新设置来禁用 Ultralytics YOLO 的 MLflow 记录。以下是使用 CLI 执行此操作的方法：

yolo settings mlflow=False

有关进一步的自定义和重置设置，请参考 设置指南.

如何启动和停止用于 Ultralytics YOLO 跟踪的 MLflow 服务器？

要启动用于跟踪 Ultralytics YOLO 实验的 MLflow 服务器，请使用以下命令：

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

此命令默认在 http://127.0.0.1:5000 启动本地服务器。如果需要停止正在运行的 MLflow 服务器实例，请使用以下 bash 命令：

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

你可以运行以下命令来开始验证：命令部分 以获取更多命令选项。

将 MLflow 与 Ultralytics YOLO 集成进行实验跟踪有什么好处？

将 MLflow 与 Ultralytics YOLO 集成为管理你的机器学习实验提供了多种好处：

  • 增强的实验跟踪：轻松跟踪和比较不同的运行及其结果。
  • 改进的模型可重复性：通过记录所有参数和工件，确保你的实验是可重复的。
  • 性能监控：可视化随时间变化的性能指标，从而为模型改进做出数据驱动的决策。
  • 精简工作流：自动化记录过程，使你能够更专注于模型开发而不是手动跟踪。
  • 协作开发：与团队成员共享实验结果，以实现更好的协作和知识共享。

如需深入了解如何设置和利用 MLflow 与 Ultralytics YOLO，请浏览 用于 Ultralytics YOLO 的 MLflow 集成导出模式

评论