Seguimiento de experimentos con Ultralytics YOLO11 y DVC

El seguimiento y la supervisión de experimentos de computer vision, donde las máquinas se entrenan para interpretar y comprender datos visuales, son una parte fundamental del desarrollo y ajuste de modelos de IA visual 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 pretende lograr la integración de DVCLive compatible con Ultralytics. DVCLive ofrece una forma simplificada de registrar automáticamente los detalles de los experimentos, visualizar los resultados y gestionar el seguimiento del rendimiento de los modelos, todo dentro de un único flujo de trabajo.

En este artículo, hablaremos sobre cómo utilizar la integración de DVCLive al entrenar Ultralytics YOLO11. También analizaremos sus beneficios y cómo facilita el seguimiento de experimentos para un mejor desarrollo de modelos de IA visual.

¿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 control de DVCLive para el seguimiento de experimentos.

Características clave de DVCLive#

La integración de DVCLive es fácil de usar y puede mejorar tus proyectos de computer vision al proporcionar visualizaciones de datos claras y fáciles de entender, así como herramientas de análisis. Estas son algunas de las 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.

¿Por qué deberías usar la integración de DVCLive?#

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

Dado que existen integraciones como TensorBoard y MLflow que también ofrecen herramientas para realizar un seguimiento de métricas y visualizar resultados, es fundamental comprender las cualidades únicas que hacen que esta integración destaque.

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.

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

A continuación, vamos a ver cómo instalar y utilizar la integración con DVCLive mientras entrenas de forma personalizada Ultralytics YOLO11.

Instalación de los requisitos#

Antes de poder empezar a entrenar YOLO11, deberás 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 de forma predeterminada, 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 necesarios, nuestra Guía de problemas comunes incluye soluciones y recursos para ayudarte.

Entrenamiento de experimentos usando DVCLive#

Una vez finalizada la sesión de entrenamiento de tu modelo Ultralytics YOLO11, puedes utilizar las herramientas de visualización para analizar los resultados en profundidad. En concreto, 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.

Aplicaciones de Ultralytics YOLO11 y la integración con DVCLive#

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

Agricultura y agricultura de precisión#

Cuando se trata de la agricultura y la recolección de cultivos para la alimentación, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden utilizar la compatibilidad de Ultralytics YOLO11 con object detection y la segmentación de instancias para identificar posibles enfermedades en los cultivos, realizar un seguimiento del ganado y detectar infestaciones de plagas.

En concreto, Ultralytics YOLO11 puede ayudar a detectar signos tempranos de enfermedades en las plantas, plagas dañinas o animales enfermos mediante el análisis de imágenes procedentes de drones o cámaras. Estos tipos de sistemas de visión artificial permiten a los agricultores actuar con rapidez para evitar que los problemas se extiendan, ahorrando tiempo y reduciendo pérdidas.

Fig 3. Un ejemplo de uso de YOLO11 para supervisar cultivos.

Dado que las condiciones agrícolas cambian constantemente con el clima y las estaciones, es importante probar los modelos con una variedad de imágenes para garantizar que funcionen bien en diferentes situaciones. El uso de la integración con DVCLive para entrenar a medida Ultralytics YOLO11 en aplicaciones agrícolas es una excelente manera de supervisar su rendimiento, especialmente con conjuntos de datos diversos.

Análisis 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.

Mediante el análisis de vídeos de cámaras de seguridad, Ultralytics YOLO11 puede rastrear cómo se desplazan las personas por la tienda, qué zonas registran más tránsito a pie y cómo interactúan los compradores con los productos. Estos datos se pueden utilizar posteriormente para generar mapas de calor que muestren qué estantes llaman más la atención, cuánto tiempo pasan los clientes en los distintos pasillos y si se están advirtiendo 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 mapa de calor creado con Ultralytics YOLO11 para un centro comercial.

A menudo, las tiendas minoristas presentan características únicas, como condiciones de iluminación variables, diferentes distribuciones y tamaños de aglomeración. Debido a estas diferencias, los modelos de visión artificial empleados para analizar la actividad en la tienda deben probarse y ajustarse minuciosamente en cada ubicación para garantizar la precisión. Por ejemplo, la integración con DVCLive puede ayudar a afinar Ultralytics YOLO11, haciéndolo más preciso y fiable para aplicaciones de comercio minorista y permitiendo obtener mejores perspectivas sobre el comportamiento de los clientes y las operaciones de la tienda.

Conclusiones clave#

Entrenar a medida Ultralytics YOLO11 mientras utilizas la integración con 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 obtener más información sobre la IA visual, y consulta nuestras opciones de licencias para poner en marcha tus proyectos de computer vision. ¿Te interesan las innovaciones como la IA en la fabricación o la computer vision en la conducción autónoma? Visita nuestras páginas de soluciones para descubrir más.