Experiment-Tracking mit Ultralytics YOLO11 und DVC

Das Nachverfolgen und Überwachen von Computer-Vision-Experimenten, bei denen Maschinen darauf trainiert werden, visuelle Daten zu interpretieren und zu verstehen, ist ein wichtiger Bestandteil der Entwicklung und Feinabstimmung von Vision-KI-Modellen wie Ultralytics YOLO11. Bei diesen Experimenten werden häufig verschiedene wichtige Parameter getestet und Kennzahlen sowie Ergebnisse aus mehreren Modelltrainingsläufen protokolliert. So lassen sich die Modellleistung analysieren und datengestützte Verbesserungen am Modell vornehmen.

Ohne ein klar definiertes System zur Nachverfolgung von Experimenten kann es kompliziert werden, Ergebnisse zu vergleichen und Modelle anzupassen, was zu Fehlern führen kann. Die Automatisierung dieses Prozesses ist eine gute Möglichkeit, für mehr Konsistenz zu sorgen.

Genau das soll die von Ultralytics unterstützte DVCLive-Integration leisten. DVCLive bietet eine einfache Möglichkeit, Versuchsdaten automatisch zu protokollieren, Ergebnisse zu visualisieren und die Verfolgung der Modellleistung in einem einzigen Workflow zu verwalten.

In diesem Artikel erklären wir, wie du die DVCLive-Integration beim Training von Ultralytics YOLO11 verwendest. Außerdem sehen wir uns ihre Vorteile an und wie sie die Versuchsverfolgung für eine bessere Entwicklung von Vision-KI-Modellen vereinfacht.

Was ist DVCLive?#

DVCLive wurde von DVC (Datenversionskontrolle) entwickelt und ist ein zuverlässiges Open-Source-Werkzeug zur Verfolgung von Experimenten im maschinellen Lernen. Die DVCLive-Python-Bibliothek bietet eine Versuchsprotokollierung in Echtzeit, mit der KI-Entwickler und Forschende Kennzahlen und Parameter ihrer Experimente nachverfolgen können.

So kann das System beispielsweise wichtige Kennzahlen zur Modellleistung automatisch protokollieren, Ergebnisse aus verschiedenen Trainingsläufen vergleichen und die Modellleistung visualisieren. Mit diesen Funktionen hilft DVCLive dir, einen strukturierten und reproduzierbaren Arbeitsablauf für maschinelles Lernen aufrechtzuerhalten.

Abb. 1. Ein kurzer Blick auf das DVCLive-Dashboard zur Versuchsverfolgung.

Wichtige Funktionen von DVCLive#

Die DVCLive-Integration ist einfach zu bedienen und kann deine Computer-Vision-Projekte mit übersichtlichen, leicht verständlichen Datenvisualisierungen und Analysetools verbessern. Hier sind einige weitere wichtige Funktionen von DVCLive:

• Unterstützung verschiedener Frameworks: DVCLive lässt sich auch mit anderen beliebten Frameworks für maschinelles Lernen verwenden. So kannst du es problemlos in bestehende Workflows einbinden und die Möglichkeiten zur Versuchsverfolgung erweitern.
• Interaktive Diagramme: Damit lassen sich automatisch interaktive Diagramme aus Daten erstellen, die Kennzahlen zur Leistung im Zeitverlauf visuell darstellen.
• Schlankes Design: DVCLive ist eine schlanke, flexible und zugängliche Bibliothek, die sich in verschiedenen Projekten und Umgebungen einsetzen lässt.

Warum solltest du die DVCLive-Integration verwenden?#

Wenn 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?

Auch Integrationen wie TensorBoard und MLflow bieten Werkzeuge zur Nachverfolgung von Kennzahlen und Visualisierung von Ergebnissen. Deshalb ist es wichtig, die besonderen Eigenschaften zu verstehen, durch die sich diese Integration auszeichnet.

Darum könnte DVCLive die ideale Wahl für deine Ultralytics-YOLO-Projekte sein:

• Geringer Zusatzaufwand: DVCLive eignet sich hervorragend, um Versuchskennzahlen mit minimalem Rechen- und Speicheraufwand zu protokollieren. Die Protokolle werden als einfache Text- oder JSON-Dateien gespeichert. So lässt sich DVCLive leicht in bestehende Arbeitsabläufe integrieren, ohne auf externe Dienste oder Datenbanken angewiesen zu sein.
• Native Integration mit DVC: DVCLive wurde vom Team hinter DVC entwickelt und funktioniert reibungslos mit dem System zur Versionsverwaltung von Daten und Modellen in DVC. Nutzer können außerdem Datensatzversionen, Modellprüfpunkte und Pipeline-Änderungen nachverfolgen. Damit eignet sich DVCLive ideal für Teams, die DVC bereits zur Sicherstellung der Reproduzierbarkeit beim maschinellen Lernen einsetzen.
• Git-kompatibel: DVCLive lässt sich in Git integrieren. So kannst du Änderungen nachverfolgen, Modelle vergleichen und zu früheren Versionen zurückkehren und dabei Versuchsdaten geordnet und versionsverwaltet halten.

Erste Schritte mit DVCLive#

Das Training von Ultralytics-YOLO11-Modellen mit DVCLive nachzuverfolgen, ist einfacher, als du vielleicht denkst. Sobald die erforderlichen Bibliotheken installiert und konfiguriert sind, kannst du schnell mit dem individuellen Training deines YOLO11-Modells beginnen.

Nach dem Training kannst du wichtige Einstellungen wie Epochen (wie oft das Modell den gesamten Datensatz durchläuft), Geduld (wie lange ohne Verbesserung gewartet wird, bevor das Training beendet wird) und die Zielbildgröße (die Auflösung der Trainingsbilder) anpassen, um die Genauigkeit zu verbessern. Anschließend kannst du mit dem Visualisierungswerkzeug von DVCLive verschiedene Modellversionen vergleichen und ihre Leistung analysieren.

Eine ausführlichere Erklärung des Modelltrainings und der bewährten Vorgehensweisen findest du in unserer Dokumentation zum individuellen Training von Ultralytics-YOLO-Modellen.

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

Voraussetzungen installieren#

Bevor du mit dem Training von YOLO11 beginnen kannst, musst du sowohl das Ultralytics-Python-Paket als auch DVCLive installieren. Diese Integration ist so gestaltet, dass beide Bibliotheken standardmäßig zusammenarbeiten. Komplexe Konfigurationen sind daher nicht nötig.

Die gesamte Installation ist mit einem einzigen Befehl und pip, dem Paketmanager für Python-Bibliotheken, in wenigen Minuten abgeschlossen, wie das Bild unten zeigt.

Abb. 2. Installation von Ultralytics und DVCLive.

Sobald du die Pakete installiert hast, kannst du deine Umgebung einrichten und die erforderlichen Zugangsdaten hinzufügen, damit DVCLive reibungslos läuft. Es ist außerdem hilfreich, ein Git-Repository einzurichten, um deinen Code und alle Änderungen an deinen DVCLive-Einstellungen nachzuverfolgen.

Ausführliche Schritt-für-Schritt-Anleitungen und weitere nützliche Tipps findest du in unserem Installationshandbuch. Falls bei der Installation der erforderlichen Pakete Probleme auftreten, findest du in unserem Handbuch zu häufigen Problemen Lösungen und hilfreiche Ressourcen.

Experimentelles Training mit DVCLive#

Nachdem das Training deines Ultralytics-YOLO11-Modells abgeschlossen ist, kannst du die Visualisierungstools verwenden, um die Ergebnisse eingehend zu analysieren. Mit der DVC-API kannst du die Daten extrahieren und sie mit pandas (einer Python-Bibliothek, die die Arbeit mit Daten erleichtert, etwa indem sie diese für Analysen und Vergleiche in Tabellen organisiert) verarbeiten, um sie einfacher handhaben und visualisieren zu können.

Für eine interaktivere und visuellere Erkundung deiner Ergebnisse kannst du auch Plotlys Parallelkoordinatendiagramm ausprobieren (eine Diagrammart, die zeigt, wie verschiedene Modellparameter und Leistungswerte zusammenhängen).

Letztlich kannst du die Erkenntnisse aus diesen Visualisierungen nutzen, um bessere Entscheidungen bei der Modelloptimierung, der Abstimmung von Hyperparametern oder anderen Anpassungen zur Verbesserung der Gesamtleistung zu treffen.

Anwendungsbereiche der Integration von Ultralytics YOLO11 und DVCLive#

Nachdem wir nun gelernt haben, wie sich Trainingsergebnisse von Ultralytics YOLO11 mithilfe der DVCLive-Integration installieren und visualisieren lassen, sehen wir uns einige Anwendungsbereiche an, die von dieser Integration profitieren können.

Landwirtschaft und Präzisionslandwirtschaft#

In der Landwirtschaft und beim Anbau von Nahrungsmitteln kann Präzision einen großen Unterschied machen. So können Landwirte mit der Unterstützung von Ultralytics YOLO11 für die Objekterkennung und Instanzsegmentierung mögliche Pflanzenkrankheiten erkennen, Nutztiere verfolgen und Schädlingsbefall aufspüren.

Insbesondere kann Ultralytics YOLO11 frühe Anzeichen von Pflanzenkrankheiten, schädlichen Schädlingen oder kranken Tieren erkennen, indem es Bilder von Drohnen oder Kameras analysiert. Diese Arten von KI-Systemen für die Bildverarbeitung ermöglichen es Landwirten, schnell zu handeln, um die Ausbreitung von Problemen zu verhindern, Zeit zu sparen und Verluste zu verringern.

Abb. 3. Beispiel für die Überwachung von Nutzpflanzen mit YOLO11.

Da sich die Bedingungen auf einem Bauernhof durch Wetter und Jahreszeiten ständig ändern, ist es wichtig, Modelle mit vielfältigen Bildern zu testen, um sicherzustellen, dass sie in unterschiedlichen Situationen gut funktionieren. Die DVCLive-Integration für das benutzerdefinierte Training von Ultralytics YOLO11 in landwirtschaftlichen Anwendungen ist eine gute Möglichkeit, die Leistung des Modells nachzuverfolgen, insbesondere mit vielfältigen Datensätzen.

Analyse des Kundenverhaltens im Einzelhandel#

Einzelhandelsgeschäfte können KI und Computer Vision einsetzen, um das Kundenverhalten zu verstehen und Verbesserungen vorzunehmen, die das Einkaufserlebnis optimieren.

Durch die Analyse von Videos aus Überwachungskameras kann Ultralytics YOLO11 verfolgen, wie sich Menschen im Geschäft bewegen, welche Bereiche am stärksten frequentiert sind und wie Kunden mit Produkten interagieren. Anhand dieser Daten lassen sich anschließend Heatmaps erstellen, die zeigen, welche Regale die meiste Aufmerksamkeit auf sich ziehen, wie lange sich Kunden in den verschiedenen Gängen aufhalten und ob Werbeaufsteller wahrgenommen werden.

Mit diesen Geschäftsdaten können Ladenbesitzer Produkte umplatzieren, um den Umsatz zu steigern, Warteschlangen an den Kassen zu verkürzen und die Personalbesetzung so anzupassen, dass Kunden dort und dann Unterstützung erhalten, wenn sie sie am dringendsten benötigen.

Abb. 4. Beispiel für eine Heatmap eines Einkaufszentrums, erstellt mit Ultralytics YOLO11.

Einzelhandelsgeschäfte haben oft besondere Eigenschaften, etwa unterschiedliche Lichtverhältnisse, Grundrisse und Besucherzahlen. Deshalb müssen Computer-Vision-Modelle, die das Geschehen im Geschäft analysieren, für jeden Standort sorgfältig getestet und angepasst werden, um genaue Ergebnisse zu gewährleisten. So kann die DVCLive-Integration beispielsweise dabei helfen, Feinabstimmungsläufe von Ultralytics YOLO11 zu verfolgen. Dadurch lassen sich präzise und zuverlässige Modelle für Anwendungen im Einzelhandel entwickeln, die bessere Einblicke in das Kundenverhalten und die Betriebsabläufe ermöglichen.

Die wichtigsten Erkenntnisse#

Wenn du Ultralytics YOLO11 mit der DVCLive-Integration benutzerdefiniert trainierst, kannst du deine Computer-Vision-Experimente einfacher nachverfolgen und verbessern. Die Integration protokolliert automatisch wichtige Details, zeigt übersichtliche Visualisierungen der Ergebnisse und hilft dir, verschiedene Versionen deines Modells miteinander zu vergleichen.

Ganz gleich, ob du die Produktivität in der Landwirtschaft steigern oder das Einkaufserlebnis in einem Geschäft verbessern möchtest – diese Integration hilft dir dabei, die Leistungsfähigkeit deiner Vision-AI-Modelle zu überprüfen. Mit der Nachverfolgung von Experimenten kannst du deine Modelle systematisch testen, weiterentwickeln und optimieren und so ihre Genauigkeit und Leistung kontinuierlich verbessern.

Tritt unserer Community bei und erkunde unser GitHub-Repository, um mehr über KI für die Bildverarbeitung zu erfahren. Informiere dich außerdem über unsere Lizenzoptionen, um deine Computer-Vision-Projekte zu starten. Interessierst du dich für Innovationen wie KI in der Fertigung oder Computer Vision beim autonomen Fahren? Auf unseren Lösungsseiten erfährst du mehr.