For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-notebooks-mlflow.md.

AI Notebooks - Tutoriel - Suivez et comparez vos entraînements avec MLflow dans les notebooks

Voir en Markdown

Découvrez comment utiliser MLflow pour le suivi des modèles et la gestion des versions

Objectif

L'objectif de ce tutoriel est de vous montrer comment intégrer MLflow dans AI Notebooks afin de suivre et comparer vos modèles de Machine Learning.

MLflow est une plateforme open source pour la gestion des workflows de Machine Learning. Vous pouvez utiliser cet outil pour le suivi et la gestion des versions de modèles ML, mais aussi pour le stockage et le déploiement.

  • Comment utiliser MLflow dans AI Notebooks ?
MLflowOverview

Pour cela, nous comparerons des modèles de classification d'images : EfficientNets.

Info

Les modèles EfficientNet sont pré-entraînés sur le dataset ImageNet.

Dans ce contexte, plusieurs modèles EfficientNet seront entraînés sur le même dataset : (stanford_dogs). Le dataset Stanford Dogs contient des images de 120 races de chiens du monde entier.

Les différents modèles seront suivis et comparés grâce à MLflow afin de comparer leurs performances :

  • EfficientNet-b0
  • EfficientNet-b1
  • EfficientNet-b2
  • EfficientNet-b3
  • EfficientNet-b4
  • EfficientNet-b5
  • EfficientNet-b6
  • EfficientNet-b7

Prérequis

  • Un projet AI Notebooks créé au sein d'un projet Public Cloud dans votre compte OVHcloud
  • Un utilisateur pour AI Notebooks

Accès à l'espace client OVHcloud

  • Lien direct :
  • Pour accéder à vos services : Public Cloud > Sélectionnez votre projet

En pratique

Vous pouvez lancer le notebook depuis l' ou via la CLI ovhai.

Lancer un notebook Jupyter avec « TensorFlow » via l'interface (espace client)

Pour lancer votre notebook depuis l', suivez les étapes ci-dessous.

Éditeur de code

Choisissez l'éditeur de code Jupyterlab.

Framework

Dans ce tutoriel, le framework TensorFlow est utilisé. Vous pouvez choisir la version 2.12 : tf2.12-py311-cudaDevel11.8.

Ressources

L'utilisation de GPU est recommandée pour entraîner les modèles EfficientNet.

Info

Ici, l'utilisation d'1 GPU est suffisante.

Lancer un notebook Jupyter avec « TensorFlow » via la CLI

Si vous n'utilisez pas encore notre CLI, suivez ce guide pour l'installer.

Pour lancer votre notebook avec l'OVHcloud AI CLI, choisissez l'éditeur jupyterlab et le framework tensorflow.

Pour accéder aux différentes versions de tensorflow disponibles, exécutez la commande suivante :

ovhai capabilities framework get tensorflow -o yaml
Info

Ici, vous pouvez utiliser la version 2.12 de TensorFlow (tf2.12-py311-cudaDevel11.8).

Vous devrez également choisir le nombre de GPU à utiliser dans votre notebook, à l'aide de <nb-gpus>.

Pour lancer votre notebook, exécutez la commande suivante :

ovhai notebook run tensorflow jupyterlab \
		--name <notebook-name> \
		--framework-version tf2.12-py311-cudaDevel11.8 \
		--gpu <nb-gpus>

Vous pourrez ensuite accéder à l'URL de votre notebook une fois celui-ci en cours d'exécution.

Accéder aux notebooks

Une fois notre dépôt d'exemples AI cloné dans votre environnement, retrouvez le tutoriel de fine-tuning en suivant ce chemin : ai-training-examples > notebooks > go-further > mlflow > notebook-tutorial-mlflow-integration.ipynb.

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

Il existe de nombreuses autres méthodes pour suivre votre modèle ML. Consultez nos autres tutoriels pour apprendre à :

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Cette page vous a-t-elle aidé ?