Experiment-Tracking mit Ultralytics YOLO11 und DVC

Das Tracking und die Überwachung von Computer Vision-Experimenten, bei denen Maschinen darauf trainiert werden, visuelle Daten zu interpretieren und zu verstehen, sind ein entscheidender Teil der Entwicklung und Feinabstimmung von Vision-KI-Modellen wie Ultralytics YOLO11. Diese Experimente beinhalten oft das Testen verschiedener Schlüsselparameter sowie das Protokollieren von Metriken und Ergebnissen aus mehreren Modelltrainingsläufen. Dies hilft dabei, die Modellleistung zu analysieren und datengesteuerte Verbesserungen am Modell vorzunehmen.

Ohne ein klar definiertes Experiment-Tracking-System kann das Vergleichen von Ergebnissen und das Vornehmen von Modelländerungen kompliziert werden und zu Fehlern führen. Tatsächlich ist die Automatisierung dieses Prozesses eine großartige Option, die für eine bessere Konsistenz sorgen kann.

Genau das ist das Ziel der von Ultralytics unterstützten DVCLive-Integration. DVCLive bietet eine vereinfachte Möglichkeit, Experimentdetails automatisch zu protokollieren, Ergebnisse zu visualisieren und das Tracking der Modellleistung zu verwalten – alles in einem einzigen Workflow.

In diesem Artikel besprechen wir, wie du die DVCLive-Integration beim Training von Ultralytics YOLO11 verwendest. Wir werfen außerdem einen Blick auf die Vorteile und darauf, wie sie das Experiment-Tracking für eine bessere Entwicklung von Vision-KI-Modellen erleichtert.

Link to this sectionWas ist DVCLive?#

DVCLive wurde von DVC (Data Version Control) entwickelt und ist ein zuverlässiges Open-Source-Tool für das Tracking von Machine-Learning-Experimenten. Die DVCLive Python-Bibliothek bietet einen Echtzeit-Experiment-Logger, der es KI-Entwicklern und Forschern ermöglicht, die Metriken und Parameter ihrer Experimente zu verfolgen.

Es kann beispielsweise automatisch wichtige Metriken zur Modellleistung protokollieren, Ergebnisse über verschiedene Trainingsläufe hinweg vergleichen und die Modellleistung visualisieren. Diese Funktionen ermöglichen es DVCLive, dich bei der Aufrechterhaltung eines strukturierten und reproduzierbaren Machine-Learning-Workflows zu unterstützen.

Abb. 1. Ein kurzer Blick auf das Dashboard von DVCLive für das Experiment-Tracking.

Link to this sectionHauptfunktionen von DVCLive#

Die DVCLive-Integration ist einfach zu bedienen und kann deine Computer-Vision-Projekte verbessern, indem sie klare, leicht verständliche Datenvisualisierungen und Analysetools bereitstellt. Hier sind einige weitere Hauptfunktionen von DVCLive:

• Unterstützt verschiedene Frameworks: DVCLive kann mit anderen gängigen Machine-Learning-Frameworks verwendet werden. Dies macht die Integration in bestehende Workflows und die Verbesserung der Tracking-Fähigkeiten bei Experimenten unkompliziert.

• Interaktive Diagramme: Es kann verwendet werden, um automatisch interaktive Diagramme aus Daten zu erstellen und visuelle Darstellungen von Leistungsmetriken im Zeitverlauf bereitzustellen.

• Leichtes Design: DVCLive ist eine leichtgewichtige, flexible und zugängliche Bibliothek, da sie über verschiedene Projekte und Umgebungen hinweg verwendet werden kann.

Link to this sectionWarum solltest du die DVCLive-Integration verwenden?#

Während du die Ultralytics-Dokumentation durchgehst und die verfügbaren Integrationen erkundest, fragst du dich vielleicht: Was zeichnet die DVCLive-Integration aus und warum sollte ich sie für meinen Workflow wählen?

Bei Integrationen wie TensorBoard und MLflow, die ebenfalls Tools zum Tracking von Metriken und zur Visualisierung von Ergebnissen bieten, ist es wichtig, die einzigartigen Qualitäten zu verstehen, die diese Integration hervorheben.

Hier ist der Grund, warum DVCLive eine ideale Wahl für deine Ultralytics YOLO-Projekte sein könnte:

• Minimaler Overhead: DVCLive ist ein großartiges Tool zur Protokollierung von Experimentmetriken, ohne zusätzliche Rechen- oder Speicherlast zu erzeugen. Es speichert Protokolle als Klartext- oder JSON-Dateien, was die Integration in bestehende Workflows erleichtert, ohne auf externe Dienste oder Datenbanken angewiesen zu sein.

• Native Integration mit DVC: DVCLive wurde vom Team hinter DVC entwickelt und arbeitet reibungslos mit dem Daten- und Modellversionierungssystem von DVC zusammen. Es ermöglicht Benutzern außerdem das Tracking von Datensatzversionen, Modell-Checkpoints und Pipeline-Änderungen, was es ideal für Teams macht, die bereits DVC für die Reproduzierbarkeit von Machine Learning verwenden.

• Git-kompatibel: DVCLive lässt sich in Git integrieren, wodurch es einfach ist, Änderungen zu verfolgen, Modelle zu vergleichen und auf frühere Versionen zurückzugreifen, während Experimentdaten organisiert und versionskontrolliert bleiben.

Link to this sectionErste Schritte mit DVCLive#

Das Tracking des Ultralytics YOLO11-Modelltrainings mit DVCLive ist einfacher, als du vielleicht erwartest. Sobald die erforderlichen Bibliotheken installiert und konfiguriert sind, kannst du schnell mit dem benutzerdefinierten Training deines YOLO11-Modells beginnen.

Nach dem Training kannst du wichtige Einstellungen wie Epochen (die Anzahl der Durchläufe des Modells durch den gesamten Datensatz), Geduld (wie lange gewartet werden soll, bevor bei ausbleibender Verbesserung gestoppt wird) und Zielbildgröße (die Auflösung der für das Training verwendeten Bilder) anpassen, um die Genauigkeit zu verbessern. Anschließend kannst du das Visualisierungstool von DVCLive verwenden, um verschiedene Versionen deines Modells zu vergleichen und ihre Leistung zu analysieren.

Für ein detaillierteres Verständnis des Modelltrainingsprozesses und der Best Practices, sieh dir unsere Dokumentation zum benutzerdefinierten Training von Ultralytics YOLO-Modellen an.

Als Nächstes gehen wir Schritt für Schritt durch, wie du die DVCLive-Integration während des benutzerdefinierten Trainings von YOLO11 installierst und verwendest.

Link to this sectionInstallation der Anforderungen#

Bevor du mit dem Training von YOLO11 beginnen kannst, musst du sowohl das Ultralytics Python-Paket als auch DVCLive installieren. Diese Integration wurde so konzipiert, dass beide Bibliotheken standardmäßig nahtlos zusammenarbeiten, sodass du dir keine Gedanken über komplexe Konfigurationen machen musst.

Der gesamte Installationsprozess kann in nur wenigen Minuten mit einem einzigen pip-Befehl abgeschlossen werden, einem Paketverwaltungstool zur Installation von Python-Bibliotheken, wie im Bild unten dargestellt.

Abb. 2. Installation von Ultralytics und DVCLive.

Sobald du die Pakete installiert hast, kannst du deine Umgebung einrichten und die erforderlichen Anmeldeinformationen hinzufügen, um sicherzustellen, dass DVCLive reibungslos läuft. Das Einrichten eines Git-Repositorys ist auch hilfreich, um den Überblick über deinen Code und etwaige Änderungen an deinen DVCLive-Einstellungen zu behalten.

Für detaillierte Schritt-für-Schritt-Anleitungen und weitere hilfreiche Tipps, sieh dir unseren Installationsleitfaden an. Falls bei der Installation der erforderlichen Pakete Probleme auftreten, bietet unser Leitfaden für allgemeine Probleme Lösungen und Ressourcen, die dir weiterhelfen.

Link to this sectionExperimenttraining mit DVCLive#

Nachdem deine YOLO11-Modelltrainingssitzung abgeschlossen ist, kannst du die Visualisierungstools verwenden, um die Ergebnisse im Detail zu analysieren. Konkret kannst du die API von DVC nutzen, um die Daten zu extrahieren und sie mit Pandas (einer Python-Bibliothek, die die Arbeit mit Daten erleichtert, z. B. durch Organisieren in Tabellen zur Analyse und zum Vergleich) für eine einfachere Handhabung und Visualisierung zu verarbeiten.

Für eine interaktivere und visuelle Art, deine Ergebnisse zu erkunden, kannst du auch das parallele Koordinatendiagramm von Plotly ausprobieren (eine Art von Diagramm, das zeigt, wie verschiedene Modellparameter und Leistungsergebnisse miteinander verknüpft sind).

Letztendlich kannst du die Erkenntnisse aus diesen Visualisierungen nutzen, um bessere Entscheidungen über die Modelloptimierung, Hyperparameter-Abstimmung oder andere Modifikationen zur Steigerung der Gesamtleistung zu treffen.

Link to this sectionAnwendungen von YOLO11 und der DVCLive-Integration#

Nachdem wir gelernt haben, wie man YOLO11-Trainingsergebnisse mithilfe der DVCLive-Integration installiert und visualisiert, wollen wir einige der Anwendungen erkunden, die diese Integration verbessern kann.

Link to this sectionLandwirtschaft und Präzisionsackerbau#

Wenn es um Landwirtschaft und die Ernte von Nahrungsmitteln geht, kann Präzision einen riesigen Unterschied machen. Landwirte können beispielsweise die Unterstützung von YOLO11 bei der Objekterkennung und Instanzsegmentierung nutzen, um potenzielle Pflanzenkrankheiten zu identifizieren, Viehbestände zu verfolgen und Schädlingsbefall zu erkennen.

Insbesondere kann YOLO11 helfen, frühe Anzeichen von Pflanzenkrankheiten, schädlichen Insekten oder ungesunden Tieren durch die Analyse von Bildern von Drohnen oder Kameras zu erkennen. Diese Arten von Vision-KI-Systemen ermöglichen es Landwirten, schnell zu handeln, um eine Ausbreitung von Problemen zu verhindern, was Zeit spart und Verluste reduziert.

Abb. 3. Ein Beispiel für den Einsatz von YOLO11 zur Überwachung von Nutzpflanzen.

Da sich landwirtschaftliche Bedingungen ständig mit Wetter und Jahreszeiten ändern, ist es wichtig, Modelle an einer Vielzahl von Bildern zu testen, um sicherzustellen, dass sie in verschiedenen Situationen gut funktionieren. Die Verwendung der DVCLive-Integration für das benutzerdefinierte Training von YOLO11 in landwirtschaftlichen Anwendungen ist eine großartige Möglichkeit, die Leistung nachzuverfolgen, insbesondere bei diversen Datensätzen.

Link to this sectionAnalyse des Kundenverhaltens im Einzelhandel#

Einzelhandelsgeschäfte können KI und Computer Vision nutzen, um das Kundenverhalten zu verstehen und Verbesserungen vorzunehmen, um das Einkaufserlebnis zu steigern.

Durch die Analyse von Videos von Überwachungskameras kann YOLO11 verfolgen, wie sich Menschen im Geschäft bewegen, welche Bereiche am meisten frequentiert werden und wie Kunden mit Produkten interagieren. Diese Daten können dann verwendet werden, um Heatmaps zu erstellen, die zeigen, welche Regale die meiste Aufmerksamkeit erregen, wie lange Kunden in verschiedenen Gängen verbringen und ob Werbedisplays wahrgenommen werden.

Mit dieser Business Intelligence können Ladenbesitzer Produkte umstellen, um den Umsatz zu steigern, Kassenschlangen zu beschleunigen und das Personal dort einzusetzen, wo es am meisten gebraucht wird.

Abb. 4. Ein Beispiel für eine Heatmap, die mit YOLO11 für ein Einkaufszentrum erstellt wurde.

Oft haben Einzelhandelsgeschäfte einzigartige Eigenschaften wie unterschiedliche Lichtverhältnisse, Layouts und Menschenmengen. Aufgrund dieser Unterschiede müssen Computer-Vision-Modelle, die zur Analyse der Ladenaktivitäten verwendet werden, sorgfältig getestet und für jeden Standort angepasst werden, um die Genauigkeit zu gewährleisten. Zum Beispiel kann die DVCLive-Integration dabei helfen, YOLO11 feinabzustimmen, wodurch es präziser und zuverlässiger für Einzelhandelsanwendungen wird und bessere Einblicke in das Kundenverhalten und den Geschäftsbetrieb ermöglicht.

Link to this sectionWichtige Erkenntnisse#

Das benutzerdefinierte Training von YOLO11 unter Verwendung der DVCLive-Integration erleichtert das Nachverfolgen und Verbessern deiner Computer-Vision-Experimente. Es protokolliert automatisch wichtige Details, zeigt klare visuelle Ergebnisse an und hilft dir, verschiedene Versionen deines Modells zu vergleichen.

Egal, ob du versuchst, die landwirtschaftliche Produktivität zu steigern oder das Einkaufserlebnis in einem Geschäft zu verbessern – diese Integration stellt sicher, dass deine Vision-KI-Modelle eine gute Leistung erbringen. Mit Experiment-Tracking kannst du deine Modelle systematisch testen, verfeinern und optimieren, was zu kontinuierlichen Verbesserungen der Genauigkeit und Leistung führt.

Werde Teil unserer Community und erkunde unser GitHub-Repository, um mehr über Vision-KI zu erfahren, und sieh dir unsere Lizenzierungsoptionen an, um deine Computer-Vision-Projekte zu starten. Interessiert an Innovationen wie KI in der Fertigung oder Computer Vision beim autonomen Fahren? Besuche unsere Lösungsseiten, um mehr zu entdecken.