Skip to content

Ultralytics YOLO的MLflow集成

MLflow生态系统

介绍

实验日志记录是机器学习工作流程中的一个关键方面，它能够跟踪各种指标、参数和工件。它有助于提高模型的可重复性、调试问题和改进模型性能。Ultralytics YOLO以其实时目标检测能力而闻名，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。

本文档页面是设置和利用Ultralytics YOLO项目的MLflow日志记录功能的综合指南。

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。它包括用于跟踪实验、将代码打包为可重复运行的工具，以及共享和部署模型。MLflow旨在与任何机器学习库和编程语言一起工作。

功能

  • 指标日志记录：在每个epoch结束和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。
  • 工件日志记录：在训练结束时记录模型工件，包括权重和配置文件。

设置和前提条件

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日志记录。通常，这是由设置mflow键控制的。有关更多信息，请参阅设置页面。

更新Ultralytics MLflow设置

在Python环境中，调用settings对象上的update方法来更改您的设置： 

from ultralytics import settings

# 更新设置
settings.update({"mlflow": True})

# 重置设置为默认值
settings.reset()

如果您更喜欢使用命令行界面，以下命令将允许您修改设置： 

# 更新设置
yolo settings runs_dir='/path/to/runs'

# 重置设置为默认值
yolo settings reset

如何使用

命令

  1. 设置项目名称：您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，您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'

    这将默认在http://127.0.0.1:5000启动一个本地服务器，并将所有mlflow日志保存到'runs/mlflow'目录。要指定不同的URI，请设置MLFLOW_TRACKING_URI环境变量。

  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

日志记录由on_pretrain_routine_end、on_fit_epoch_end和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，并处理参数、指标和工件的日志记录。

示例

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

  2. 查看实验：要查看您的日志，请导航到您的MLflow服务器（通常是http://127.0.0.1:5000）并选择您的实验和运行。YOLO MLflow实验

  3. 查看运行: 运行是实验中的单个模型。点击一个运行并查看运行详情，包括上传的工件和模型权重。YOLO MLflow Run

禁用 MLflow

要关闭 MLflow 日志记录：

yolo settings mlflow=False

结论

MLflow 日志记录与 Ultralytics YOLO 的集成提供了一种简化的方式来跟踪您的机器学习实验。它使您能够有效监控性能指标和管理工件，从而有助于稳健的模型开发和部署。有关更多详细信息，请访问 MLflow 官方文档。

常见问题

如何使用 Ultralytics YOLO 设置 MLflow 日志记录？

要使用 Ultralytics YOLO 设置 MLflow 日志记录，首先需要确保已安装 MLflow。您可以使用 pip 安装它：

pip install mlflow

接下来，在 Ultralytics 设置中启用 MLflow 日志记录。这可以通过 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

# 更新设置
settings.update({"mlflow": True})

# 重置设置为默认值
settings.reset()

# 更新设置
yolo settings runs_dir='/path/to/runs'

# 重置设置为默认值
yolo settings reset

最后，启动本地 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 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: 在每个 epoch 结束和训练完成时跟踪指标。
  • 参数记录: 记录训练过程中使用的所有参数。
  • 工件记录: 训练后保存模型工件，如权重和配置文件。

有关更多详细信息，请访问 Ultralytics YOLO 跟踪文档。

启用后可以禁用 MLflow 日志记录吗？

是的，您可以通过更新设置来禁用 Ultralytics YOLO 的 MLflow 日志记录。以下是如何使用 CLI 执行此操作：

yolo settings mlflow=False

有关进一步的自定义和重置设置，请参阅 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 Ultralytics YOLO 实验跟踪的 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

有关更多命令选项，请参阅 命令部分。

将 MLflow 与 Ultralytics YOLO 集成用于实验跟踪有哪些好处？

将 MLflow 与 Ultralytics YOLO 集成用于管理您的机器学习实验提供了几个好处：

  • 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，确保您的实验是可重复的。
  • 性能监控: 随着时间的推移可视化性能指标，以做出数据驱动的决策来改进模型。

有关设置和利用 MLflow 与 Ultralytics YOLO 的深入了解，请探索 Ultralytics YOLO 的 MLflow 集成 文档。


📅 Created 11 months ago ✏️ Updated 20 days ago
glenn-jocher MatthewNoyce UltralyticsAssistant RizwanMunawar Burhan-Q

Comments