Ultralytics YOLO 的 MLflow 集成#

简介#

实验日志记录是机器学习工作流的重要环节，可用于跟踪各种指标、参数和构件。它有助于增强模型可复现性、调试问题并提升模型性能。以实时目标检测能力著称的 Ultralytics YOLO 现已支持与 MLflow 集成。MLflow 是一个用于完整机器学习生命周期管理的开源平台。

本文档页面全面介绍如何为你的 Ultralytics YOLO 项目设置和使用 MLflow 日志记录功能。

什么是 MLflow？#

MLflow 是由 Databricks 开发的开源平台，用于管理端到端的机器学习生命周期。它包含用于实验跟踪、将代码打包为可复现运行以及共享和部署模型的工具。MLflow 旨在支持任何机器学习库和编程语言。

功能#

• 指标日志记录：在每个 epoch 结束时以及训练结束时记录指标。
• 参数日志记录：记录训练中使用的所有参数。
• 构件日志记录：在训练结束时记录模型构件，包括权重和配置文件。

设置和先决条件#

确保已安装 MLflow。如果尚未安装，请使用 pip 进行安装：

pip install mlflow

确保已在 Ultralytics 设置中启用 MLflow 日志记录。通常，这由设置中的 mlflow 键控制。更多信息请参阅设置页面。

from ultralytics import settings

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

# Reset settings to default values
settings.reset()

使用方法#

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

   默认情况下，这将在 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。若要将训练运行指向其他跟踪服务器，请在训练前导出 MLFLOW_TRACKING_URI：

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. 训练后保持 MLflow 运行处于活动状态：默认情况下，训练完成后 Ultralytics 会自动结束 MLflow 运行。若要保持运行处于打开状态（例如，从同一笔记本记录其他指标或构件），请在训练前将 MLFLOW_KEEP_RUN_ACTIVE 设置为 True：

   export MLFLOW_KEEP_RUN_ACTIVE=True

   1、true、yes、on、y 和 t 这些值（不区分大小写）会启用此行为。任何其他值（包括未设置变量）都会保持默认设置，即关闭运行。记得之后使用 mlflow.end_run() 手动关闭运行。

日志记录#

日志记录由 on_pretrain_routine_end、on_fit_epoch_end 和 on_train_end 这几个回调函数负责。这些函数会在训练过程的相应阶段自动调用，并负责记录参数、指标和构件。

示例#

1. 记录自定义指标：你可以在调用 on_fit_epoch_end 之前修改 trainer.metrics 字典，以添加要记录的自定义指标。

2. 查看实验：要查看日志，请导航到你的 MLflow 服务器（通常为 http://127.0.0.1:5000），然后选择实验和运行。

3. 查看运行：运行是实验中的独立模型。点击某个运行，查看运行详情，包括已上传的工件和模型权重。

禁用 MLflow#

要关闭 MLflow 日志记录：

yolo settings mlflow=False

结论#

MLflow 与 Ultralytics YOLO 的日志记录集成提供了一种简化方式，用于跟踪你的机器学习实验。它让你能够有效监控性能指标并管理构件，从而助力稳健的模型开发和部署。详情请访问 MLflow 的官方文档。

常见问题#