Seguimiento de experimentos con Ultralytics YOLO11 y DVC

El seguimiento y la supervisión de experimentos de visión por computador, en los que las máquinas reciben entrenamiento para interpretar y comprender datos visuales, son fundamentales para desarrollar y ajustar modelos de IA de visión como Ultralytics YOLO11. Estos experimentos suelen implicar probar distintos parámetros clave y registrar métricas y resultados de varias ejecuciones de entrenamiento del modelo. Hacerlo puede ayudar a analizar el rendimiento del modelo y aplicar mejoras basadas en datos.

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

Eso es exactamente lo que pretende hacer 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 ello dentro de un único flujo de trabajo.

En este artículo, veremos cómo utilizar la integración de DVCLive durante el entrenamiento de Ultralytics YOLO11. También analizaremos sus ventajas y cómo facilita el seguimiento de experimentos para mejorar el desarrollo de modelos de IA de visión.

¿Qué es DVCLive?#

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

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

Fig. 1 Vista rápida del panel de DVCLive para el seguimiento de experimentos.

Funciones clave de DVCLive#

La integración de DVCLive es fácil de usar y puede mejorar tus proyectos de visión por computador al proporcionar visualizaciones de datos y herramientas de análisis claras y fáciles de entender. Estas son otras funciones clave de DVCLive:

• Compatibilidad con varios frameworks: DVCLive puede utilizarse con otros frameworks populares de aprendizaje automático. Esto facilita su incorporación a los flujos de trabajo existentes y la mejora de las capacidades de seguimiento de experimentos.

• Gráficos interactivos: Puede utilizarse 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 utilizarse en distintos proyectos y entornos.

¿Por qué deberías utilizar la integración de DVCLive?#

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

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

Estas son las razones por las que DVCLive podría ser la opción ideal para tus proyectos de Ultralytics YOLO:

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

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

• Compatible con Git: DVCLive se integra con Git, lo que facilita realizar un seguimiento de los cambios, comparar modelos y volver a versiones anteriores, manteniendo los datos de los experimentos organizados y bajo control de versiones.

Primeros pasos con DVCLive#

Realizar el seguimiento del entrenamiento de modelos Ultralytics YOLO11 con DVCLive es más sencillo de lo que podrías esperar. Una vez instaladas y configuradas las bibliotecas necesarias, puedes empezar rápidamente a entrenar tu modelo YOLO11 de forma personalizada.

Después del 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 mejoras) y el tamaño de imagen objetivo (la resolución de las imágenes utilizadas para el entrenamiento) para mejorar la precisión. Después, puedes utilizar la herramienta de visualización de DVCLive para comparar distintas versiones de tu modelo y analizar su rendimiento.

Para comprender mejor el proceso de entrenamiento de modelos y las prácticas recomendadas, consulta nuestra documentación sobre el entrenamiento personalizado de modelos Ultralytics YOLO.

A continuación, veremos cómo instalar y utilizar la integración de DVCLive durante el entrenamiento personalizado de Ultralytics YOLO11.

Instalación de los requisitos#

Antes de empezar a entrenar YOLO11, tendrás que instalar tanto el paquete Python de Ultralytics como DVCLive. Esta integración está diseñada para que ambas bibliotecas funcionen juntas sin problemas de forma predeterminada, por lo que no tendrás que preocuparte por configuraciones complejas.

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

Fig. 2. Instalación de Ultralytics y DVCLive.

Una vez instalados los paquetes, puedes configurar tu entorno y añadir las credenciales necesarias para garantizar que DVCLive funcione correctamente. Configurar un repositorio de Git también resulta útil para realizar un seguimiento del código y de cualquier cambio en la configuración de DVCLive.

Para consultar instrucciones detalladas paso a paso y otros consejos útiles, echa un vistazo a nuestra Guía de instalación. Si tienes algún problema durante la instalación de los paquetes necesarios, nuestra Guía de problemas comunes incluye soluciones y recursos que pueden ayudarte.

Entrenamiento de experimentos con DVCLive#

Una vez completada la sesión de entrenamiento de tu modelo Ultralytics YOLO11, puedes utilizar las herramientas de visualización para analizar los resultados en profundidad. En concreto, puedes utilizar la API de DVC para extraer los datos y procesarlos con Pandas (una biblioteca Python que facilita el trabajo con datos, por ejemplo, organizándolos en tablas para su análisis y comparación), lo que simplifica su gestión y visualización.

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

En última instancia, puedes utilizar la información obtenida de estas visualizaciones para tomar mejores decisiones sobre la optimización del modelo, el ajuste de hiperparámetros u otras modificaciones que mejoren su rendimiento general.

Aplicaciones de Ultralytics YOLO11 y la integración de DVCLive#

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

Agricultura y agricultura de precisión#

En la agricultura y la cosecha de cultivos para alimentación, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden utilizar la compatibilidad de Ultralytics YOLO11 con la detección de objetos y la segmentación de instancias para identificar posibles enfermedades de los cultivos, realizar un seguimiento del ganado y detectar infestaciones de plagas.

En particular, Ultralytics YOLO11 puede ayudar a detectar los primeros signos de enfermedades de las plantas, plagas dañinas o animales enfermos mediante el análisis de imágenes captadas por drones o cámaras. Este tipo de sistemas de IA de visión permite a los agricultores actuar rápidamente para evitar que los problemas se propaguen, ahorrando tiempo y reduciendo pérdidas.

Fig. 3 Ejemplo del uso de YOLO11 para supervisar cultivos.

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

Análisis del comportamiento de los clientes en el comercio minorista#

Las tiendas minoristas pueden utilizar la IA y la visión por computador para comprender el comportamiento de los clientes y aplicar mejoras que optimicen la experiencia de compra.

Mediante el análisis de vídeos de cámaras de seguridad, Ultralytics YOLO11 puede realizar un seguimiento de cómo se desplazan las personas por la tienda, qué zonas reciben más tránsito y cómo interactúan los compradores con los productos. Estos datos pueden utilizarse para crear mapas de calor que muestren qué estanterías atraen más atención, cuánto tiempo pasan los clientes en los distintos pasillos y si se están observando los expositores publicitarios.

Con esta inteligencia empresarial, los propietarios de las tiendas pueden reorganizar los productos para aumentar las ventas, agilizar las colas de caja y ajustar la plantilla para ayudar a los clientes donde y cuando más lo necesiten.

Fig. 4 Ejemplo de un mapa de calor creado con Ultralytics YOLO11 para un centro comercial.

A menudo, las tiendas minoristas presentan características únicas, como condiciones de iluminación, distribuciones y tamaños de afluencia variables. Debido a estas diferencias, los modelos de visión por computador utilizados para analizar la actividad de las tiendas 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 Ultralytics YOLO11, haciéndolo más preciso y fiable para aplicaciones minoristas y permitiendo obtener mejores conocimientos sobre el comportamiento de los clientes y las operaciones de la tienda.

Conclusiones clave#

Entrenar Ultralytics YOLO11 de forma personalizada mientras utilizas la integración de DVCLive facilita el seguimiento y la mejora de tus experimentos de visión por computador. Registra automáticamente los detalles importantes, muestra resultados visuales claros y te ayuda a comparar distintas 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 correctamente. Con el seguimiento de experimentos, puedes probar, perfeccionar y optimizar tus modelos de forma sistemática, lo que permite mejorar continuamente la precisión y el rendimiento.

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