MLflow 集成用于Ultralytics YOLO

导言

实验日志是机器学习工作流的一个重要方面，它可以跟踪各种指标、参数和工件。它有助于增强模型的可重复性、调试问题并提高模型性能。 UltralyticsYOLO以实时对象检测功能著称的MLFlow，现在提供了与MLflow 的集成，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了如何为Ultralytics YOLO 项目设置和使用 MLflow 日志功能。

什么是 MLflow？

MLflow是Databricks开发的一个开源平台，用于管理端到端的机器学习生命周期。它包括用于跟踪实验、将代码打包成可重现运行以及共享和部署模型的工具。MLflow 可与任何机器学习库和编程语言配合使用。

特点

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

设置和先决条件

确保已安装 MLflow。如果没有，请使用 pip 安装：

pip install mlflow

确保在Ultralytics 设置中启用了 MLflow 日志。通常由以下设置控制 mflow 键。参见 设置 页面获取更多信息。

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

如何使用

命令

1. 设置项目名称：可以通过环境变量设置项目名称：

   export MLFLOW_EXPERIMENT_NAME=<your_experiment_name>
   

或使用 project=<project> 在训练YOLO 模型时的参数，即 yolo train project=my_project.

1. 设置运行名称：与设置项目名称类似，可以通过环境变量设置运行名称：

   export MLFLOW_RUN=<your_run_name>
   

或使用 name=<name> 在训练YOLO 模型时的参数，即 yolo train project=my_project name=my_name.

1. 启动本地 MLflow 服务器：要启动跟踪，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。要指定不同的 URI，请将 MLFLOW_TRACKING_URI 环境变量。

1. 关闭 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
   

记录

日志记录由 on_pretrain_routine_end, on_fit_epoch_end和 on_train_end 回调函数。这些函数会在训练过程的各个阶段自动调用，并处理参数、指标和工件的日志记录。

实例

1. 记录自定义指标:您可以通过修改 trainer.metrics 词典 on_fit_epoch_end 被称为

2. 观看实验:要查看日志，请导航至 MLflow 服务器（通常为 http://127.0.0.1:5000），然后选择实验并运行。

3. 查看运行:运行是实验中的单个模型。点击运行可查看运行详情，包括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

与Ultralytics YOLO 集成的 MLflow 日志提供了一种跟踪机器学习实验的简化方式。它使您能够有效地监控性能指标和管理工件，从而帮助进行稳健的模型开发和部署。更多详情，请访问 MLflow官方文档。

评论