追蹤電腦視覺實驗與 MLflow | 由 Yağmur Çiğdem Aktaş | 2024 年 12 月

了解如何設置高效的 MLflow 環境，以追蹤您的實驗，比較並選擇最佳模型進行部署

訓練和微調各種模型是每位計算機視覺研究者的基本任務。即使是簡單的模型，我們也會進行超參數搜索，以找到在我們自定義數據集上訓練模型的最佳方法。數據增強技術（已經包含許多不同的選項）、優化器的選擇、學習率以及模型本身，這些都是需要考慮的因素。這是我案例中最佳的架構嗎？我應該增加更多層，改變架構，還有許多問題等待著我們去詢問和探索。

在尋找這些問題的答案時，我過去會將模型訓練過程的日誌文件和輸出檢查點保存在本地的不同資料夾中，每次運行訓練時都會更改輸出目錄的名稱，並手動逐一比較最終的指標。以這種手動方式處理實驗追蹤過程有許多缺點：這種方法過時、耗時耗力，並且容易出錯。

在這篇博客文章中，我將向您展示如何使用 MLflow，這是追蹤實驗的最佳工具之一。它可以讓您記錄所需的任何信息，視覺化並比較您完成的不同訓練實驗，並在一個對用戶（和眼睛）友好的環境中決定哪個訓練是最佳選擇！