Experiment-Tracking mit Ultralytics YOLO11 und DVC

Das Verfolgen und Überwachen von computer vision-Experimenten, bei denen Maschinen darauf trainiert werden, visuelle Daten zu interpretieren und zu verstehen, ist 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 Modelltrainingläufen. Dies kann dabei helfen, die Modellleistung zu analysieren und datengestützte 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, Versuchsdetails automatisch zu protokollieren, Ergebnisse zu visualisieren und die Nachverfolgung der Modellleistung zu verwalten – und das alles in einem einzigen Workflow.

In diesem Artikel besprechen wir, wie du die DVCLive-Integration beim Training von Ultralytics YOLO11 verwendest. Wir werden auch einen Blick auf ihre Vorteile werfen und darauf, wie sie die Experimentverfolgung für eine bessere Entwicklung von vision AI model-Modellen erleichtert.

Was 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.

Fig 1. Ein kurzer Blick auf das Dashboard von DVCLive zur Experimentverfolgung.

Hauptfunktionen von DVCLive#

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

Warum solltest du die DVCLive-Integration verwenden?#

Wenn du die Ultralytics documentation durchgehst und die verfügbaren integrations erkundest, fragst du dich vielleicht: Was unterscheidet die DVCLive-Integration und warum sollte ich sie für meinen Workflow wählen?

Da Integrationen wie TensorBoard und MLflow ebenfalls Tools zur Verfolgung von Metriken und 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.

Erste 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 bewährter Methoden schaue dir unsere Dokumentation für custom-training von Ultralytics YOLO-Modellen an.

Schauen wir uns als Nächstes an, wie du die DVCLive-Integration beim benutzerdefinierten Training von Ultralytics YOLO11 installierst und verwendest.

Installation der Anforderungen#

Bevor du mit dem Training von YOLO11 beginnen kannst, musst du sowohl das Ultralytics Python package als auch DVCLive installieren. Diese Integration wurde so konzipiert, dass beide Bibliotheken standardmäßig nahtlos zusammenarbeiten, sodass du dich nicht um komplexe Konfigurationen kümmern 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.

Detaillierte Schritt-für-Schritt-Anleitungen und weitere hilfreiche Tipps findest du in unserem Installation Guide. Falls du bei der Installation der erforderlichen Pakete auf Probleme stößt, bietet unser Common Issues Guide Lösungen und Ressourcen, die dir weiterhelfen.

Experimenttraining mit DVCLive#

Nach Abschluss des Trainings deines Ultralytics YOLO11-Modells kannst du die Visualisierungstools verwenden, um die Ergebnisse tiefgehend zu analysieren. Insbesondere kannst du die API von DVC nutzen, um die Daten zu extrahieren und sie mit pandas (einer Python-Bibliothek, die das Arbeiten mit Daten vereinfacht, wie das 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.

Anwendungen von Ultralytics YOLO11 und der DVCLive-Integration#

Jetzt, da du gelernt hast, wie du die Trainingsergebnisse von Ultralytics YOLO11 mithilfe der DVCLive-Integration installieren und visualisieren kannst, wollen wir einige der Anwendungen erkunden, die diese Integration verbessern kann.

Landwirtschaft und Präzisionsackerbau#

Wenn es um Landwirtschaft und die Ernte von Nahrungsmitteln geht, kann Präzision einen riesigen Unterschied machen. Landwirte können beispielsweise die Unterstützung von Ultralytics YOLO11 für object detection und Instanzsegmentierung nutzen, um potenziellen Pflanzenkrankheiten vorzubeugen, Viehbestände zu verfolgen und Schädlingsbefall zu erkennen.

Insbesondere kann Ultralytics YOLO11 dabei helfen, frühe Anzeichen von Pflanzenkrankheiten, schädlichen Schädlingen oder ungesunden Tieren zu erkennen, indem Bilder von Drohnen oder Kameras analysiert werden. Diese Arten von Vision-AI-Systemen ermöglichen es Landwirten, schnell zu handeln, um die Ausbreitung von Problemen zu stoppen, was Zeit spart und Verluste reduziert.

Fig 3. Ein Beispiel für die Verwendung von YOLO11 zur Überwachung von Nutzpflanzen.

Da sich die Bedingungen auf dem Bauernhof durch Wetter und Jahreszeiten ständig ändern, ist es wichtig, Modelle an einer Vielzahl von Bildern zu testen, um sicherzustellen, dass sie unter verschiedenen Bedingungen eine gute Leistung erbringen. Die Verwendung der DVCLive-Integration zum benutzerdefinierten Trainieren von Ultralytics YOLO11 für landwirtschaftliche Anwendungen ist ein hervorragender Weg, um die Leistung im Auge zu behalten, insbesondere bei unterschiedlichen Datensätzen.

Analyse 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 aus Überwachungskameras kann Ultralytics YOLO11 verfolgen, wie sich Menschen im Geschäft bewegen, welche Bereiche das meiste Fußgängeraufkommen verzeichnen und wie Käufer mit Produkten interagieren. Diese Daten können dann verwendet werden, um Heatmaps zu erstellen, die zeigen, welche Regale die meiste Aufmerksamkeit erregen, wie viel Zeit 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 mit Ultralytics YOLO11 für ein Einkaufszentrum erstellte Heatmap.

Oft weisen Einzelhandelsgeschäfte einzigartige Merkmale auf, wie etwa unterschiedliche Lichtverhältnisse, Layouts und Kundengrößen. Aufgrund dieser Unterschiede müssen Computer-Vision-Modelle, die zur Analyse von Ladenaktivitäten verwendet werden, sorgfältig getestet und für jeden Standort angepasst werden, um die Genauigkeit sicherzustellen. Beispielsweise kann die DVCLive-Integration dabei helfen, Ultralytics YOLO11 feinabzustimmen, wodurch es für Einzelhandelsanwendungen präziser und zuverlässiger wird und bessere Einblicke in das Kundenverhalten und den Ladenbetrieb ermöglicht.

Wichtige Erkenntnisse#

Das benutzerdefinierte Trainieren von Ultralytics YOLO11 bei gleichzeitiger Nutzung der DVCLive-Integration macht es einfacher, deine Computer-Vision-Experimente zu verfolgen und zu verbessern. Es protokolliert automatisch wichtige Details, zeigt klare visuelle Ergebnisse 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.

Trete our community bei und erkunde unser GitHub repository, um mehr über Vision-KI zu erfahren, und sieh dir our licensing options an, um deine Computer-Vision-Projekte zu starten. Interessierst du dich für Innovationen wie AI in manufacturing oder computer vision in self-driving? Besuche unsere Lösungsseiten, um mehr zu entdecken.