Seguimiento de experimentos con Ultralytics YOLO11 y DVC

El seguimiento y la monitorización de experimentos de visión artificial, en los que se entrena a las máquinas para interpretar y comprender datos visuales, son fundamentales para desarrollar y perfeccionar modelos de IA de visión como Ultralytics YOLO11. Estos experimentos suelen incluir pruebas con distintos parámetros clave y el registro de métricas y resultados de varias ejecuciones de entrenamiento de modelos. Esto puede ayudar a analizar el rendimiento del modelo y a introducir mejoras basadas en datos.

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

Eso es precisamente lo que pretende conseguir 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 en un único flujo de trabajo.

En este artículo, explicaremos cómo usar la integración de DVCLive durante el entrenamiento de Ultralytics YOLO11. También veremos 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 (Data Version Control), es una herramienta fiable de código abierto diseñada para hacer un 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 hacer un seguimiento de las métricas y los parámetros de sus experimentos.

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

Fig. 1. Vista rápida del panel de control 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 artificial gracias a visualizaciones de datos claras y fáciles de entender y a herramientas de análisis. Estas son otras funciones clave de DVCLive:

• Compatibilidad con varios marcos de trabajo: DVCLive se puede usar con otros marcos de trabajo populares de aprendizaje automático. Esto facilita su incorporación a los flujos de trabajo existentes y mejora las capacidades de seguimiento de experimentos.
• Gráficos interactivos: Se puede usar para generar automáticamente gráficos interactivos a partir de datos y ofrecer representaciones visuales de las métricas de rendimiento a lo largo del tiempo.
• Diseño ligero: DVCLive es una biblioteca ligera, flexible y accesible, ya que se puede usar en distintos proyectos y entornos.

¿Por qué deberías usar la integración de DVCLive?#

Al consultar la documentación de Ultralytics y explorar las integraciones disponibles, quizá te preguntes: ¿qué distingue a la integración de DVCLive y por qué debería elegirla para mi flujo de trabajo?

Dado que integraciones como TensorBoard y MLflow también ofrecen herramientas para hacer un seguimiento de métricas y visualizar resultados, es esencial entender las características únicas que distinguen a esta integración.

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

• Coste mínimo: DVCLive es una herramienta excelente para registrar las métricas de los experimentos con un coste computacional o de almacenamiento mínimo. Guarda los registros como archivos de texto sin formato o JSON, por lo que resulta fácil integrarlo en flujos de trabajo existentes sin depender de servicios externos ni bases de datos.
• Integración nativa con DVC: Desarrollado por el equipo responsable de DVC, DVCLive funciona sin problemas con el sistema de control de versiones de datos y modelos de DVC. También permite hacer un seguimiento de las versiones de conjuntos de datos, los puntos de control de los modelos y los cambios en las canalizaciones, por lo que es ideal para los equipos que ya usan DVC para garantizar 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 vuelta a versiones anteriores, a la vez que mantiene los datos de los experimentos organizados y bajo control de versiones.

Primeros pasos con DVCLive#

Hacer un seguimiento del entrenamiento de modelos Ultralytics YOLO11 con DVCLive es más sencillo de lo que podrías imaginar. Una vez instaladas y configuradas las bibliotecas necesarias, puedes empezar enseguida a entrenar tu modelo YOLO11 con tus propios datos.

Después del entrenamiento, puedes ajustar parámetros clave como las épocas (el número de veces que el modelo recorre el conjunto de datos completo), 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 usar la herramienta de visualización de DVCLive para comparar distintas versiones del 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 usar la integración de DVCLive mientras entrenas Ultralytics YOLO11 con tus propios datos.

Instalación de los requisitos#

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

Todo el proceso de instalación se puede completar en un par de minutos con un solo comando que utiliza pip, el gestor de paquetes de las bibliotecas de Python, tal 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 que DVCLive funcione correctamente. También es útil configurar un repositorio de Git para llevar un seguimiento de tu código y de los cambios 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 al instalar los paquetes necesarios, nuestra guía de problemas frecuentes incluye soluciones y recursos que pueden ayudarte.

Entrenamiento de experimentos con DVCLive#

Cuando termine la sesión de entrenamiento de tu modelo Ultralytics YOLO11, puedes usar 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, por ejemplo, organizándolos en tablas para analizarlos y compararlos) y así gestionarlos y visualizarlos más fácilmente.

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

Por último, puedes utilizar la información de estas visualizaciones para tomar mejores decisiones sobre cómo optimizar tu modelo, ajustar los hiperparámetros o aplicar otras modificaciones que mejoren su rendimiento general.

Aplicaciones de Ultralytics YOLO11 y la integración con DVCLive#

Ahora que ya sabemos cómo instalar Ultralytics YOLO11 y visualizar los resultados del entrenamiento con 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 obtener alimentos, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden usar la compatibilidad de Ultralytics YOLO11 con la detección de objetos y la segmentación de instancias para identificar posibles enfermedades en los cultivos, hacer un seguimiento del ganado y detectar plagas.

En particular, Ultralytics YOLO11 puede ayudar a detectar los primeros signos de enfermedades en las plantas, plagas perjudiciales o animales enfermos mediante el análisis de imágenes tomadas con drones o cámaras. Estos sistemas de AI visual permiten a los agricultores actuar rápidamente para evitar que los problemas se propaguen, ahorrando tiempo y reduciendo las pérdidas.

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

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

Análisis del comportamiento de los clientes en el comercio minorista#

Las tiendas pueden usar AI y visión artificial para comprender el comportamiento de los clientes y realizar mejoras que optimicen la experiencia de compra.

Al analizar los vídeos de las cámaras de seguridad, Ultralytics YOLO11 puede hacer un seguimiento de cómo se mueven las personas por la tienda, qué zonas reciben más afluencia y cómo interactúan los compradores con los productos. Después, estos datos pueden usarse para crear mapas de calor que muestren qué estanterías captan más la atención, cuánto tiempo pasan los clientes en distintos pasillos y si se fijan en 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 mapa de calor creado con Ultralytics YOLO11 para un centro comercial.

A menudo, las tiendas tienen características propias, como distintas condiciones de iluminación, distribuciones y tamaños de afluencia. Debido a estas diferencias, los modelos de visión artificial utilizados para analizar la actividad de las tiendas deben probarse y ajustarse cuidadosamente en cada ubicación para garantizar su precisión. Por ejemplo, la integración de DVCLive puede ayudar a realizar un seguimiento de las ejecuciones de ajuste fino de Ultralytics YOLO11, lo que facilita la creación de modelos precisos y fiables para aplicaciones comerciales y permite conocer mejor el comportamiento de los clientes y las operaciones de las tiendas.

Conclusiones clave#

Entrenar Ultralytics YOLO11 de forma personalizada con la integración de DVCLive facilita el seguimiento y la mejora de tus experimentos de visión artificial. 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 de una explotación agrícola como mejorar la experiencia de compra en una tienda, esta integración te ayuda a comprobar que tus modelos de AI de visión funcionan bien. 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 AI visual; además, consulta nuestras opciones de licencia para poner en marcha tus proyectos de visión artificial. ¿Te interesan innovaciones como la AI en la fabricación o la visión artificial en la conducción autónoma? Visita nuestras páginas de soluciones para descubrir más.