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 Bestandteil der Entwicklung und Feinabstimmung von Vision-KI-Modellen wie Ultralytics YOLO11. Bei diesen Experimenten werden häufig verschiedene wichtige Parameter getestet sowie Metriken und Ergebnisse aus mehreren Modelltrainingsläufen protokolliert. Dadurch lassen sich die Modellleistung analysieren und datenbasierte Verbesserungen am Modell vornehmen.

Ohne ein klar definiertes System für das Experiment-Tracking kann der Vergleich von Ergebnissen und die Anpassung der Modelle kompliziert werden und zu Fehlern führen. Die Automatisierung dieses Prozesses ist daher eine gute Möglichkeit, eine höhere Konsistenz sicherzustellen.

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

In diesem Artikel zeigen wir dir, wie du die DVCLive-Integration beim Training von Ultralytics YOLO11 verwendest. Außerdem betrachten wir die Vorteile und wie sie das Experiment-Tracking für eine bessere Entwicklung von Vision-KI-Modellen erleichtert.

Was ist DVCLive?#

DVCLive wurde von DVC (Datenversionskontrolle) entwickelt und ist ein zuverlässiges Open-Source-Tool zum Tracking von Machine-Learning-Experimenten. Die Python-Bibliothek DVCLive bietet einen Echtzeit-Experiment-Logger, mit dem KI-Entwickler und Forschende die Metriken und Parameter ihrer Experimente verfolgen können.

So kann DVCLive beispielsweise wichtige Metriken zur Modellleistung automatisch protokollieren, Ergebnisse über mehrere Trainingsläufe hinweg vergleichen und die Modellleistung visualisieren. Diese Funktionen helfen dir, einen strukturierten und reproduzierbaren Machine-Learning-Workflow aufrechtzuerhalten.

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

Wichtige Funktionen von DVCLive#

Die DVCLive-Integration ist einfach zu verwenden und kann deine Computer-Vision-Projekte durch klare, leicht verständliche Datenvisualisierungen und Analysewerkzeuge verbessern. Hier sind einige weitere wichtige Funktionen von DVCLive:

• Unterstützt verschiedene Frameworks: DVCLive kann mit anderen beliebten Machine-Learning-Frameworks verwendet werden. Dadurch lässt es sich problemlos in bestehende Workflows integrieren und verbessert die Möglichkeiten für das Experiment-Tracking.

• Interaktive Diagramme: Mit DVCLive lassen sich automatisch interaktive Diagramme aus Daten erzeugen, die visuelle Darstellungen von Leistungsmetriken im Zeitverlauf liefern.

• Kompaktes Design: DVCLive ist eine schlanke, flexible und leicht zugängliche Bibliothek, die sich in verschiedenen Projekten und Umgebungen einsetzen lässt.

Warum solltest du die DVCLive-Integration verwenden?#

Beim Durchgehen der Ultralytics-Dokumentation und Erkunden der verfügbaren Integrationen 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 zum Tracking von Metriken und zur Visualisierung von Ergebnissen. Deshalb ist es wichtig, die besonderen Eigenschaften zu verstehen, durch die sich diese Integration hervorhebt.

Das spricht dafür, dass DVCLive die ideale Wahl für deine Ultralytics-YOLO-Projekte sein könnte:

• Minimaler Zusatzaufwand: DVCLive eignet sich hervorragend zum Protokollieren von Experimentmetriken, ohne zusätzliche Rechen- oder Speicherkapazitäten zu beanspruchen. Die Protokolle werden als reine Text- oder JSON-Dateien gespeichert, sodass sich DVCLive problemlos in bestehende Workflows integrieren lässt, ohne auf externe Dienste oder Datenbanken angewiesen zu sein.

• Native Integration mit DVC: DVCLive wurde vom Team hinter DVC entwickelt und arbeitet nahtlos mit dem Daten- und Modellversionssystem von DVC zusammen. Außerdem kannst du damit Dataset-Versionen, Modell-Checkpoints und Pipeline-Änderungen verfolgen. Dadurch eignet sich DVCLive ideal für Teams, die DVC bereits zur Reproduzierbarkeit von Machine Learning einsetzen.

• Git-kompatibel: DVCLive lässt sich in Git integrieren. Dadurch kannst du Änderungen einfach verfolgen, Modelle vergleichen und zu früheren Versionen zurückkehren, während deine Experimentdaten organisiert und versionskontrolliert bleiben.

Erste Schritte mit DVCLive#

Das Tracking des Trainings von Ultralytics-YOLO11-Modellen mit DVCLive ist einfacher, als du vielleicht erwartest. 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 (die Anzahl der Durchläufe des Modells durch den gesamten Datensatz), Geduld (wie lange bei ausbleibender Verbesserung bis zum Abbruch gewartet wird) und die Zielbildgröße (die Auflösung der für das Training verwendeten Bilder) anpassen, um die Genauigkeit zu verbessern. Anschließend kannst du das Visualisierungswerkzeug von DVCLive verwenden, um verschiedene Versionen deines Modells zu vergleichen und ihre Leistung zu analysieren.

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

Als Nächstes zeigen wir dir, wie du die DVCLive-Integration beim individuellen Training von Ultralytics YOLO11 installierst und verwendest.

Erforderliche Pakete installieren#

Bevor du mit dem Training von YOLO11 beginnen kannst, musst du sowohl das Ultralytics-Python-Paket als auch DVCLive installieren. Die Integration wurde so entwickelt, dass beide Bibliotheken standardmäßig nahtlos zusammenarbeiten. Du musst dich daher nicht um komplexe Konfigurationen kümmern.

Der gesamte Installationsprozess lässt sich mit einem einzigen pip-Befehl in nur wenigen Minuten abschließen. pip ist ein Paketverwaltungswerkzeug zur Installation von Python-Bibliotheken, wie im folgenden Bild gezeigt.

Abb. 2. Ultralytics und DVCLive installieren.

Nachdem du die Pakete installiert hast, kannst du deine Umgebung einrichten und die erforderlichen Zugangsdaten hinzufügen, damit DVCLive reibungslos ausgeführt wird. Das Einrichten eines Git-Repositorys ist ebenfalls hilfreich, um deinen Code und alle Änderungen an deinen DVCLive-Einstellungen nachzuverfolgen.

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

Experimenttraining mit DVCLive#

Nach Abschluss des Trainings deines Ultralytics-YOLO11-Modells kannst du die Visualisierungswerkzeuge verwenden, um die Ergebnisse eingehend zu analysieren. Konkret kannst du die API von DVC zum Extrahieren der Daten verwenden und sie mit pandas (einer Python-Bibliothek, die die Arbeit mit Daten erleichtert, etwa indem sie diese zur Analyse und zum Vergleich in Tabellen organisiert) verarbeiten, um sie einfacher zu handhaben und zu visualisieren.

Für eine interaktivere und visuellere Untersuchung deiner Ergebnisse kannst du auch das Parallelkoordinatendiagramm von Plotly ausprobieren (eine Diagrammart, die zeigt, wie verschiedene Modellparameter und Leistungsergebnisse zusammenhängen).

Letztlich kannst du die Erkenntnisse aus diesen Visualisierungen nutzen, um bessere Entscheidungen über die Optimierung deines Modells, die Abstimmung von Hyperparametern oder andere Änderungen zur Steigerung der Gesamtleistung zu treffen.

Anwendungsbereiche von Ultralytics YOLO11 und der DVCLive-Integration#

Nachdem wir gelernt haben, wie du Trainingsergebnisse von Ultralytics YOLO11 mithilfe der DVCLive-Integration installierst und visualisierst, sehen wir uns nun einige Anwendungsbereiche an, die diese Integration verbessern kann.

Landwirtschaft und Präzisionslandwirtschaft#

In der Landwirtschaft und beim Anbau von Nahrungsmitteln kann Präzision einen großen Unterschied machen. Landwirte können beispielsweise die Unterstützung von Ultralytics YOLO11 für Objekterkennung und Instanzsegmentierung nutzen, um mögliche Pflanzenkrankheiten zu erkennen, Nutztiere zu verfolgen und Schädlingsbefall festzustellen.

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

Abb. 3 Ein 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 einer Vielzahl von Bildern zu testen, damit sie in unterschiedlichen Situationen zuverlässig funktionieren. Die DVCLive-Integration für das individuelle Training von Ultralytics YOLO11 in landwirtschaftlichen Anwendungen ist eine gute Möglichkeit, die Leistung des Modells nachzuverfolgen, insbesondere bei vielfältigen Datensätzen.

Analyse des Kundenverhaltens im Einzelhandel#

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

Durch die Analyse von Videos aus Überwachungskameras kann Ultralytics YOLO11 verfolgen, wie sich Menschen im Geschäft bewegen, welche Bereiche am stärksten frequentiert werden und wie Kunden mit Produkten interagieren. Diese Daten können anschließend zur Erstellung von Heatmaps verwendet werden, die zeigen, welche Regale die meiste Aufmerksamkeit auf sich ziehen, wie lange sich Kunden in verschiedenen Gängen aufhalten und ob Werbedisplays wahrgenommen werden.

Mit diesen Geschäftserkenntnissen können Ladenbesitzer Produkte neu anordnen, um den Umsatz zu steigern, Warteschlangen an den Kassen zu verkürzen und die Personalplanung so anzupassen, dass Kunden dort und dann unterstützt werden, wo und wann sie es am nötigsten haben.

Abb. 4 Ein Beispiel für eine mit Ultralytics YOLO11 erstellte Heatmap für ein Einkaufszentrum.

Einzelhandelsgeschäfte weisen häufig besondere Merkmale auf, etwa unterschiedliche Lichtverhältnisse, Grundrisse und Menschenmengen. Aufgrund dieser Unterschiede müssen Computer-Vision-Modelle zur Analyse der Aktivitäten im Geschäft für jeden Standort sorgfältig getestet und angepasst werden, um eine hohe Genauigkeit sicherzustellen. Die DVCLive-Integration kann beispielsweise bei der Feinabstimmung von Ultralytics YOLO11 helfen, sodass das Modell für Anwendungen im Einzelhandel präziser und zuverlässiger wird und bessere Erkenntnisse über Kundenverhalten und Geschäftsabläufe liefert.

Wichtige Erkenntnisse#

Das individuelle Training von Ultralytics YOLO11 mit der DVCLive-Integration erleichtert dir das Verfolgen und Verbessern deiner Computer-Vision-Experimente. Wichtige Details werden automatisch protokolliert, klare visuelle Ergebnisse angezeigt und verschiedene Versionen deines Modells lassen sich leichter vergleichen.

Ganz gleich, ob du die Produktivität in der Landwirtschaft steigern oder das Einkaufserlebnis in einem Geschäft verbessern möchtest: Diese Integration sorgt dafür, dass deine Vision-KI-Modelle zuverlässig funktionieren. Mit Experiment-Tracking kannst du deine Modelle systematisch testen, verfeinern und optimieren, was zu kontinuierlichen Verbesserungen bei Genauigkeit und Leistung führt.

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