Seguimiento de experimentos con Ultralytics YOLO11 y DVC

El seguimiento y la monitorización de experimentos de visión artificial, donde las máquinas son entrenadas para interpretar y comprender datos visuales, es una parte crucial del desarrollo y ajuste de modelos de IA de visión como Ultralytics YOLO11. Estos experimentos suelen implicar probar diferentes parámetros clave y registrar métricas y resultados de múltiples ejecuciones de entrenamiento de modelos. Hacerlo puede ayudar a analizar el rendimiento del modelo y realizar mejoras basadas en datos.

Sin un sistema de seguimiento de experimentos bien definido, comparar resultados y realizar cambios en los modelos puede volverse complicado y provocar errores. De hecho, automatizar este proceso es una excelente opción que puede garantizar una mayor consistencia.

Eso es exactamente lo que busca la integración de DVCLive compatible con Ultralytics. DVCLive proporciona una forma simplificada de registrar automáticamente detalles de experimentos, visualizar resultados y gestionar el seguimiento del rendimiento del modelo, todo dentro de un mismo flujo de trabajo.

En este artículo, hablaremos sobre cómo usar la integración de DVCLive durante el entrenamiento de Ultralytics YOLO11. También echaremos un vistazo a sus beneficios y a cómo facilita el seguimiento de experimentos para un mejor desarrollo de modelos de IA de visión.

Link to this section¿Qué es DVCLive?#

DVCLive, creado por DVC (Data Version Control), es una herramienta de código abierto fiable diseñada para realizar el seguimiento de experimentos de aprendizaje automático. La biblioteca de Python de DVCLive proporciona un registrador de experimentos en tiempo real que permite a los desarrolladores e investigadores de IA seguir las métricas y los parámetros de sus experimentos.

Por ejemplo, puede registrar automáticamente métricas clave de rendimiento del modelo, comparar resultados entre ejecuciones de entrenamiento y visualizar el rendimiento del modelo. Estas características permiten que DVCLive te ayude a mantener un flujo de trabajo de aprendizaje automático estructurado y reproducible.

Fig 1. Un vistazo rápido al panel de DVCLive para el seguimiento de experimentos.

Link to this sectionCaracterísticas clave de DVCLive#

La integración de DVCLive es fácil de usar y puede mejorar tus proyectos de visión artificial proporcionando herramientas de análisis y visualización de datos claras y fáciles de entender. Aquí tienes algunas otras características clave de DVCLive:

• Soporta varios frameworks: DVCLive puede utilizarse con otros frameworks de aprendizaje automático populares. Esto hace que incorporarlo a flujos de trabajo existentes y mejorar las capacidades de seguimiento de experimentos sea sencillo.

• Gráficos interactivos: Se puede usar para generar automáticamente gráficos interactivos a partir de datos, proporcionando representaciones visuales de las métricas de rendimiento a lo largo del tiempo.

• Diseño ligero: DVCLive es una biblioteca ligera, flexible y accesible, ya que puede usarse en diferentes proyectos y entornos.

Link to this section¿Por qué deberías usar la integración de DVCLive?#

A medida que revisas la documentación de Ultralytics y exploras las integraciones disponibles, puede que te preguntes: ¿Qué diferencia a la integración de DVCLive y por qué debería elegirla para mi flujo de trabajo?

Con integraciones como TensorBoard y MLflow, que también proporcionan herramientas para realizar un seguimiento de métricas y visualizar resultados, es fundamental entender las cualidades únicas que hacen destacar a esta integración.

He aquí por qué DVCLive podría ser una opción ideal para tus proyectos de Ultralytics YOLO:

• Sobrecarga mínima: DVCLive es una gran herramienta para registrar métricas de experimentos sin añadir ninguna carga computacional o de almacenamiento adicional. Guarda los registros como texto plano o archivos JSON, lo que facilita su integración en flujos de trabajo existentes sin depender de servicios o bases de datos externos.

• Integración nativa con DVC: Creado por el equipo detrás de DVC, DVCLive funciona sin problemas con el sistema de control de versiones de datos y modelos de DVC. También permite a los usuarios realizar un seguimiento de las versiones de conjuntos de datos, puntos de control de modelos y cambios en la canalización, lo que lo hace ideal para equipos que ya utilizan DVC para la reproducibilidad del aprendizaje automático.

• Compatible con Git: DVCLive se integra con Git, lo que facilita el seguimiento de cambios, la comparación de modelos y la reversión a versiones anteriores, manteniendo los datos del experimento organizados y bajo control de versiones.

Link to this sectionCómo empezar con DVCLive#

Realizar el seguimiento del entrenamiento del modelo Ultralytics YOLO11 con DVCLive es más sencillo de lo que imaginas. Una vez instaladas y configuradas las bibliotecas necesarias, puedes empezar rápidamente a realizar un entrenamiento personalizado de tu modelo YOLO11.

Tras el entrenamiento, puedes ajustar parámetros clave como las épocas (el número de veces que el modelo recorre todo el conjunto de datos), la paciencia (cuánto tiempo esperar antes de detenerse si no hay mejora) y el tamaño objetivo de la imagen (la resolución de las imágenes utilizadas para el entrenamiento) para mejorar la precisión. Después, puedes usar la herramienta de visualización de DVCLive para comparar diferentes versiones de tu modelo y analizar su rendimiento.

Para una comprensión más detallada del proceso de entrenamiento del modelo y las mejores prácticas, consulta nuestra documentación sobre entrenamiento personalizado de modelos Ultralytics YOLO.

A continuación, veamos cómo instalar y usar la integración de DVCLive mientras realizas un entrenamiento personalizado de YOLO11.

Link to this sectionInstalación de los requisitos#

Antes de empezar a entrenar YOLO11, tendrás que instalar tanto el paquete de Python de Ultralytics como DVCLive. Esta integración se ha diseñado de tal forma que ambas bibliotecas funcionan juntas a la perfección por defecto, por lo que no tienes que preocuparte por configuraciones complejas.

Todo el proceso de instalación se puede completar en solo un par de minutos con un único comando pip, que es una herramienta de gestión de paquetes para instalar bibliotecas de Python, como se muestra en la imagen a continuación.

Fig 2. Instalación de Ultralytics y DVCLive.

Una vez instalados los paquetes, puedes configurar tu entorno y añadir las credenciales necesarias para asegurar que DVCLive funcione correctamente. Configurar un repositorio de Git también es útil para mantener un seguimiento de tu código y de cualquier cambio en tus ajustes de DVCLive.

Para obtener instrucciones paso a paso detalladas y otros consejos útiles, consulta nuestra Guía de instalación. En caso de que encuentres algún problema al instalar los paquetes requeridos, nuestra Guía de problemas comunes tiene soluciones y recursos para ayudarte.

Link to this sectionEntrenamiento de experimentos usando DVCLive#

Una vez completada la sesión de entrenamiento del modelo YOLO11, puedes usar las herramientas de visualización para analizar los resultados en profundidad. Específicamente, puedes usar la API de DVC para extraer los datos y procesarlos con Pandas (una biblioteca de Python que facilita el trabajo con datos, como organizarlos en tablas para su análisis y comparación) para un manejo y visualización más sencillos.

Para una forma más interactiva y visual de explorar tus resultados, también puedes probar a usar el gráfico de coordenadas paralelas de Plotly (un tipo de gráfico que muestra cómo se conectan los diferentes parámetros del modelo y los resultados de rendimiento).

En última instancia, puedes utilizar los conocimientos obtenidos de estas visualizaciones para tomar mejores decisiones sobre la optimización de tu modelo, el ajuste de hiperparámetros o la realización de otras modificaciones para aumentar su rendimiento general.

Link to this sectionAplicaciones de YOLO11 y la integración de DVCLive#

Ahora que hemos aprendido a instalar y visualizar los resultados de entrenamiento de YOLO11 usando la integración de DVCLive, exploremos algunas de las aplicaciones que esta integración puede mejorar.

Link to this sectionAgricultura y agricultura de precisión#

Cuando se trata de agricultura y cosecha de cultivos para alimentación, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden usar el soporte de YOLO11 para detección de objetos y segmentación de instancias para identificar posibles enfermedades en los cultivos, realizar un seguimiento del ganado y detectar infestaciones de plagas.

En concreto, YOLO11 puede ayudar a detectar signos tempranos de enfermedades de las plantas, plagas dañinas o animales no sanos analizando imágenes de drones o cámaras. Estos tipos de sistemas de IA de visión permiten a los agricultores actuar rápidamente para detener la propagación de problemas, ahorrando tiempo y reduciendo pérdidas.

Fig 3. Un ejemplo del uso de YOLO11 para monitorizar cultivos.

Dado que las condiciones agrícolas cambian constantemente con el clima y las estaciones, es importante probar los modelos en una variedad de imágenes para garantizar que funcionen bien en diferentes situaciones. Utilizar la integración de DVCLive para el entrenamiento personalizado de YOLO11 para aplicaciones agrícolas es una forma excelente de hacer un seguimiento de su rendimiento, especialmente con conjuntos de datos diversos.

Link to this sectionAnálisis del comportamiento del cliente en el comercio minorista#

Las tiendas minoristas pueden utilizar la IA y la visión artificial para comprender el comportamiento del cliente y realizar mejoras para optimizar la experiencia de compra.

Al analizar vídeos de cámaras de seguridad, YOLO11 puede realizar un seguimiento de cómo se mueven las personas por la tienda, qué áreas tienen más tráfico peatonal y cómo interactúan los compradores con los productos. Estos datos se pueden utilizar para crear mapas de calor que muestren qué estanterías llaman más la atención, cuánto tiempo pasan los clientes en diferentes pasillos y si se están notando los expositores publicitarios.

Con esta inteligencia de negocio, los propietarios de tiendas pueden reorganizar productos para aumentar las ventas, agilizar las colas de pago y ajustar el personal para ayudar a los clientes donde y cuando más lo necesiten.

Fig 4. Un ejemplo de un mapa de calor creado usando YOLO11 para un centro comercial.

A menudo, las tiendas minoristas tienen características únicas, como condiciones de iluminación, diseños y tamaños de multitud variables. Debido a estas diferencias, los modelos de visión artificial utilizados para analizar la actividad de la tienda deben probarse y ajustarse cuidadosamente para cada ubicación con el fin de garantizar la precisión. Por ejemplo, la integración de DVCLive puede ayudar a ajustar YOLO11, haciéndolo más preciso y fiable para aplicaciones minoristas, permitiendo obtener mejores conocimientos sobre el comportamiento del cliente y las operaciones de la tienda.

Link to this sectionConclusiones clave#

El entrenamiento personalizado de YOLO11 mientras usas la integración de DVCLive facilita el seguimiento y la mejora de tus experimentos de visión artificial. Registra automáticamente detalles importantes, muestra resultados visuales claros y te ayuda a comparar diferentes versiones de tu modelo.

Tanto si intentas aumentar la productividad agrícola como mejorar la experiencia de compra en una tienda, esta integración garantiza que tus modelos de IA de visión funcionen bien. Con el seguimiento de experimentos, puedes probar, refinar y optimizar sistemáticamente tus modelos, lo que lleva a mejoras continuas en la precisión y el rendimiento.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para aprender más sobre la IA de visión, y echa un vistazo a nuestras opciones de licencia para poner en marcha tus proyectos de visión artificial. ¿Te interesan innovaciones como la IA en la fabricación o la visión artificial en la conducción autónoma? Visita nuestras páginas de soluciones para descubrir más.