Belajar YOLO - MLOps untuk Vision Models

#Pendahuluan

Model kalian live di production (episode 20), dioptimalkan (21), dipilih dengan benar (24). Sekarang pertanyaan yang membedakan project hobi dari sistem industri: bagaimana menjaga semuanya tetap benar enam bulan ke depan?

Software biasa tidak berubah sendiri — model ML iya. Distribusi data bergeser (kamera diganti, pencahayaan berubah, perilaku user baru), dan akurasi tergerus diam-diam. MLOps adalah disiplin menjaga siklus data → training → evaluasi → deployment tetap terukur dan dapat diulang. Episode ini merangkai semua kebiasaan baik dari episode 14–17 menjadi satu sistem operasional.

#Empat Pilar MLOps Vision

Perhatikan polanya: setiap pilar adalah jawaban atas pertanyaan post-mortem klasik. Tim tanpa MLOps menjawab pertanyaan itu dengan menebak; tim dengan MLOps membuka dashboard.

#Pilar 1: Versioning Dataset & Model dengan DVC

Git tidak sanggup menyimpan ribuan gambar — di situlah DVC masuk: file besar disimpan di storage remote (S3/GCS), sementara Git hanya menyimpan pointer hash-nya.

Setup dasar DVCRitme kerja harian

pip install dvc[s3]
dvc init
 
# lacak folder dataset sebagai satu unit versioned
dvc add datasets/proyek-helm
git add datasets/proyek-helm.dvc .gitignore && git commit -m "dataset v1"
 
# remote storage + push artefak
dvc remote add -d storage s3://bucket-ku/dvcstore
dvc push

# dataset bertambah → snapshot versi baru
dvc add datasets/proyek-helm
git commit -am "dataset v2: +340 gambar malam" && dvc push
 
# kembali ke dataset v1 kapan pun
git checkout <commit-v1> datasets/proyek-helm.dvc
dvc checkout

Kini setiap commit = kondisi dataset yang persis reproducible. Pasangkan dengan kebiasaan episode 10 (simpan args.yaml tiap run) dan pertanyaan "model ini dilatih pakai apa?" terjawab permanen.

#Pilar 2: Experiment Tracking Terstruktur

Episode 17 sudah menyentuh callback W&B/MLflow — kini kita formalisasikan standarnya:

import mlflow
from ultralytics import YOLO
 
mlflow.set_tracking_uri("http://mlflow.internal:5000")
mlflow.set_experiment("proyek-helm")
 
with mlflow.start_run(run_name="v3-augmalam"):
    mlflow.log_params({
        "base_model": "yolo26n.pt",
        "epochs": 60, "imgsz": 960,
        "dataset": "helm-v3", # cocokkan tag DVC!
    })
    model = YOLO("yolo26n.pt")
    model.add_callback("on_fit_epoch_end",
        lambda t: mlflow.log_metrics(
            {k: float(v) for k, v in t.metrics.items()}, step=t.epoch))
    model.train(data="datasets/proyek-helm/data.yaml")
 
    mlflow.log_artifact("runs/detect/train/weights/best.pt", "model")

Aturan kontrak minimalnya: setiap run mencatat (versi dataset, config lengkap, metrik final, artefak best.pt). Empat item itu membuat run mana pun bisa direproduksi atau dibandingkan dalam hitungan menit.

#Pilar 3: CI Gate Evaluasi Model

Analogi langsung dari CI software: PR yang menurunkan test coverage ditolak — PR yang menurunkan mAP juga harus ditolak. Contoh job GitHub Actions:

name: Model Eval Gate
on:
  pull_request:
    paths: ["datasets/**", "training/**"]
 
jobs:
  eval:
    runs-on: [self-hosted, gpu]
    steps:
      - uses: actions/checkout@v4
      - run: dvc pull datasets/proyek-helm
      - name: Train kandidat singkat
        run: python training/train.py --epochs 15
      - name: Evaluasi vs baseline
        run: python training/eval_gate.py --min-map5095 0.60

from ultralytics import YOLO
 
MIN_MAP = 0.60 # ambang tim, tertulis eksplisit!
 
metrics = YOLO("runs/detect/candidate/weights/best.pt").val(
    data="datasets/proyek-helm/data.yaml", verbose=False)
 
map_val = float(metrics.box.map)
print(f"kandidat mAP50-95 = {map_val:.4f} | ambang = {MIN_MAP}")
 
assert map_val >= MIN_MAP, f"REGRESI MODEL! {map_val:.4f} < {MIN_MAP}"
print("Gate lolos — aman untuk merge")

Ambangnya bukan angka magis: ambil mAP baseline production dikurangi toleransi tim (misal −1%). Yang penting ia hidup di kode, dieksekusi otomatis — bukan di kepala senior engineer.

#Pilar 4: Drift Detection & Retraining Berkala

Drift = distribusi data produksi bergeser dari distribusi training. Tiga sinyal pemantauannya:

1. Distribusi input: rasio confidence rendah naik? Kelas deteksi bergeser? Kamera baru dipasang? (Evidently bisa membandingkan histogram fitur antar periode.)
2. Metrik proxy produksi: tingkat false positive dari feedback user/moderator.
3. Metrik bisnis: konversi alert turun, operator mulai mengabaikan alarm — gejala paling mahal.

Ketika drift terkonfirmasi, jalankan lifecycle retraining yang sudah kalian siapkan sejak episode 14 (merge data lama+baru, val multi-generasi). Otomasi minimalnya:

from ultralytics import YOLO
 
# 1. dataset terbaru sudah ditarik via dvc pull
model = YOLO("models/current/best.pt") # warm start dari model hidup
model.train(data="datasets/proyek-helm/data.yaml",
            epochs=40, patience=10, name=f"retrain-{TANGGAL}")
 
# 2. gate sama seperti CI — tak ada rilis tanpa bukti
metrics = YOLO("runs/detect/retrain-{}/weights/best.pt".format(TANGGAL)) \
    .val(data="datasets/proyek-helm/data.yaml")
assert metrics.box.map >= AMBANG_TIM
 
# 3. promosi versi: shadow → canary → full (jangan langsung replace!)

Langkah 3 adalah yang sering dilompati: model baru tidak langsung menggantikan yang lama. Jalankan paralel dulu (shadow mode), bandingkan pada trafik nyata, baru promosikan bertahap.

#Checklist Kesiapan MLOps Vision

[x] Dataset di-DVC, setiap perubahan = commit + dvc push
[x] Tiap run training tercatat (params + metrics + best.pt)
[x] Run tagged dengan versi dataset
[x] CI gate mAP aktif di PR yang menyentuh model/data
[x] Monitoring produksi: volume deteksi + distribusi conf + alert anomali
[x] Prosedur retraining berkala terjadwal + protokol promosi aman

#Penutup

Rangkuman episode ini:

• Empat pilar: versioning (DVC), tracking (MLflow/W&B), CI gate evaluasi, monitoring drift — masing-masing menjawab satu pertanyaan post-mortem.
• DVC menyimpan data di remote storage dengan pointer di Git — commit jadi snapshot reproducible.
• Kontrak run: versi dataset + config + metrik + artefak; hubungkan lewat tagging.
• Gate mAP di CI = unit testing-nya ML; ambang tertulis di kode, bukan ingatan.
• Retraining berkala + promosi bertahap (shadow → canary) menjaga produksi stabil saat model berevolusi.

Di episode 26 — episode penutup teknis — kita pandang ke sekeliling: ekosistem & tren modern 2026, dari YOLO26 dan Ultralytics Platform sampai arah industri: attention, zero-shot, edge AI, dan auto-labeling. Sampai jumpa!