25 de febrero de 2025
Aprenda cómo puede utilizar el seguimiento de experimentos para agilizar sus experimentos Ultralytics YOLO11 con la integración DVC para un mejor rendimiento del modelo.
.webp)
El seguimiento y la supervisión de los experimentos de visión por ordenador, en los que se entrena a las máquinas para interpretar y comprender datos visuales, es una parte crucial del desarrollo y la puesta a punto de modelos de IA de visión como Ultralytics YOLO11. Estos experimentos a menudo implican probar diferentes parámetros clave y registrar métricas y resultados de múltiples ejecuciones de entrenamiento del modelo. De este modo, se puede analizar el rendimiento del modelo y mejorarlo en función de los datos.
Sin un sistema de seguimiento de experimentos bien definido, comparar los resultados y realizar cambios en los modelos puede resultar complicado y dar lugar a errores. De hecho, automatizar este proceso es una gran opción que puede garantizar una mayor coherencia.
Eso es exactamente lo que pretende la integración de DVCLive 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, vamos a discutir cómo utilizar la integración DVCLive mientras se entrena Ultralytics YOLO11. También echaremos un vistazo a sus ventajas y a cómo facilita el seguimiento de experimentos para un mejor desarrollo del modelo Vision AI .
DVCLive, creada por DVC (Data Version Control), es una fiable herramienta de código abierto diseñada para el seguimiento de experimentos de aprendizaje automático. La biblioteca DVCLive Python proporciona un registrador de experimentos en tiempo real que permite a los desarrolladores e investigadores de IA realizar un seguimiento de las métricas y los parámetros de sus experimentos.
Por ejemplo, puede registrar automáticamente las métricas clave de rendimiento del modelo, comparar los resultados entre las ejecuciones de entrenamiento y visualizar el rendimiento del modelo. Estas funciones permiten a DVCLive ayudarle a mantener un flujo de trabajo de aprendizaje automático estructurado y reproducible.
La integración de DVCLive es fácil de usar y puede mejorar sus proyectos de visión por ordenador proporcionando visualizaciones de datos y herramientas de análisis claras y fáciles de entender. Estas son otras características clave de DVCLive:
Al consultar la documentación de Ultralytics y explorar las integraciones disponibles, es posible que se pregunte: ¿Qué diferencia a la integración DVCLive y por qué debería elegirla para mi flujo de trabajo?
Con integraciones como TensorBoard y MLflow que también proporcionan herramientas para el seguimiento de métricas y la visualización de resultados, es esencial comprender las cualidades únicas que hacen que esta integración destaque.
He aquí por qué DVCLive podría ser una opción ideal para sus proyectos YOLO de Ultralytics:
El seguimiento del entrenamiento del modelo YOLO11 de Ultralytics con DVCLive es más sencillo de lo que cabría esperar. Una vez instaladas y configuradas las bibliotecas necesarias, puede empezar a entrenar rápidamente su modelo YOLO11.
Después del entrenamiento, puedes ajustar parámetros clave como las épocas (el número de veces que el modelo pasa por todo el conjunto de datos), la paciencia (cuánto tiempo esperar antes de parar si no hay mejora) y el tamaño de imagen objetivo (la resolución de las imágenes utilizadas para el entrenamiento) para mejorar la precisión. A continuación, puedes utilizar la herramienta de visualización de DVCLive para comparar distintas versiones de tu modelo y analizar su rendimiento.
Para una comprensión más detallada del proceso de formación de modelos y las mejores prácticas, consulte nuestra documentación para la formación personalizada de modelos Ultralytics YOLO.
A continuación, vamos a ver cómo instalar y utilizar la integración DVCLive durante el entrenamiento personalizado de YOLO11.
Antes de empezar a entrenar YOLO11, tendrás que instalar tanto el paquete Python de Ultralytics como DVCLive. Esta integración se ha diseñado de forma que ambas bibliotecas funcionen juntas a la perfección por defecto, por lo que no tendrás que preocuparte de configuraciones complejas.
Todo el proceso de instalación puede completarse en un par de minutos con un solo comando Pip, que es una herramienta de gestión de paquetes para instalar bibliotecas Python, como se muestra en la imagen siguiente.
Una vez que hayas instalado los paquetes, puedes configurar tu entorno y añadir las credenciales necesarias para asegurarte de que DVCLive funciona sin problemas. Configurar un repositorio Git también es útil para realizar un seguimiento de tu código y de cualquier cambio en la configuración de DVCLive.
Para obtener instrucciones detalladas paso a paso y otros consejos útiles, consulte nuestra Guía de instalación. Si tienes algún problema al instalar los paquetes necesarios, en nuestra Guía de problemas comunes encontrarás soluciones y recursos que te ayudarán.
Una vez finalizada la sesión de entrenamiento del modelo 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 de Python que facilita el trabajo con datos, como organizarlos en tablas para su análisis y comparación) para facilitar su manejo y visualización.
Para una forma más interactiva y visual de explorar sus resultados, también puede probar a utilizar el gráfico de coordenadas paralelas de Plotly (un tipo de gráfico que muestra cómo están conectados los diferentes parámetros del modelo y los resultados de rendimiento.
En última instancia, puede utilizar la información de estas visualizaciones para tomar mejores decisiones sobre la optimización de su modelo, el ajuste de hiperparámetros o la realización de otras modificaciones para aumentar su rendimiento general.
Ahora que hemos aprendido a instalar y visualizar los resultados de entrenamiento de YOLO11 mediante la integración de DVCLive, vamos a explorar algunas de las aplicaciones que esta integración puede mejorar.
Cuando se trata de la agricultura y la recolección de cosechas para la alimentación, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden utilizar la detección de objetos y la segmentación de instancias de YOLO11 para identificar posibles enfermedades de los cultivos, seguir al ganado y detectar infestaciones de plagas.
En concreto, YOLO11 puede ayudar a detectar señales tempranas de enfermedades de las plantas, plagas dañinas o animales poco saludables analizando imágenes de drones o cámaras. Este tipo de sistemas Vision AI permiten a los agricultores actuar con rapidez para evitar que los problemas se propaguen, ahorrando tiempo y reduciendo las pérdidas.
Dado que las condiciones de las explotaciones cambian constantemente con el tiempo y las estaciones, es importante probar los modelos en una variedad de imágenes para asegurarse de que funcionan bien en diferentes situaciones. El uso de la integración DVCLive para el entrenamiento personalizado de YOLO11 en aplicaciones agrícolas es una buena forma de controlar su rendimiento, especialmente con diversos conjuntos de datos.
Los comercios minoristas pueden utilizar la IA y la visión por ordenador para comprender el comportamiento de los clientes e introducir mejoras para mejorar la experiencia de compra.
Analizando los vídeos de las cámaras de seguridad, YOLO11 puede saber cómo se mueve la gente por la tienda, qué zonas son las más transitadas y cómo interactúan los compradores con los productos. Estos datos pueden utilizarse para crear mapas de calor que muestren qué estanterías atraen más la atención, cuánto tiempo pasan los clientes en los distintos pasillos y si los expositores publicitarios llaman la atención.
Con esta inteligencia empresarial, los propietarios de las tiendas pueden reorganizar los productos para aumentar las ventas, agilizar las colas en las cajas y ajustar el personal para atender a los clientes donde y cuando más lo necesiten.
A menudo, las tiendas tienen características únicas, como diferentes condiciones de iluminación, disposición y tamaño de la multitud. Debido a estas diferencias, los modelos de visión por ordenador 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 afinar YOLO11, haciéndolo más preciso y fiable para las aplicaciones minoristas, lo que permite una mejor comprensión del comportamiento de los clientes y de las operaciones de la tienda.
El entrenamiento personalizado de YOLO11 mediante la integración de DVCLive facilita el seguimiento y la mejora de sus experimentos de visión por ordenador. Registra automáticamente detalles importantes, muestra resultados visuales claros y te ayuda a comparar distintas versiones de tu modelo.
Tanto si intenta aumentar la productividad de las explotaciones agrícolas como mejorar la experiencia de compra en una tienda, esta integración garantiza el buen rendimiento de sus modelos de Vision AI. Con el seguimiento de experimentos, puede probar, refinar y optimizar sistemáticamente sus modelos, lo que conduce a mejoras continuas en la precisión y el rendimiento.
Únase a nuestra comunidad y explore nuestro repositorio de GitHub para obtener más información sobre Vision AI, y consulte nuestras opciones de licencia para poner en marcha sus proyectos de visión por ordenador. ¿Le interesan innovaciones como la IA en la fabricación o la visión por ordenador en la conducción autónoma? Visite nuestras páginas de soluciones para obtener más información.
