25 de febrero de 2025
Aprenda cómo puede utilizar el seguimiento de experimentos para optimizar sus experimentos de Ultralytics YOLO11 con la integración de DVC para obtener un mejor rendimiento del modelo.
.webp)
El seguimiento y la supervisión de experimentos de visión artificial, donde las máquinas están entrenadas para interpretar y comprender datos visuales, es una parte crucial del desarrollo y el ajuste fino de modelos de Visión Artificial como Ultralytics YOLO11. Estos experimentos a menudo implican probar diferentes parámetros clave y registrar métricas y resultados de múltiples ejecuciones de entrenamiento del modelo. Hacerlo puede ayudar a analizar el rendimiento del modelo y realizar mejoras basadas en datos en el modelo.
Sin un sistema de seguimiento de experimentos bien definido, comparar resultados y realizar cambios en los modelos puede complicarse y dar lugar a errores. De hecho, automatizar este proceso es una excelente opción que puede garantizar una mejor consistencia.
Eso es exactamente lo que pretende la integración DVCLive soportada por Ultralytics. DVCLive proporciona una forma simplificada de registrar automáticamente los detalles del experimento, visualizar los resultados y gestionar el seguimiento del rendimiento del modelo, todo dentro de un único flujo de trabajo.
En este artículo, discutiremos cómo utilizar la integración de DVCLive durante el entrenamiento de Ultralytics YOLO11. También echaremos un vistazo a sus beneficios y cómo facilita el seguimiento de experimentos para un mejor desarrollo de modelos de Vision AI.
DVCLive, creado por DVC (Data Version Control), es una herramienta de código abierto fiable 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 características 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 artificial al proporcionar visualizaciones de datos y herramientas de análisis claras y fáciles de entender. Estas son algunas otras características clave de DVCLive:
A medida que revisa la documentación de Ultralytics y explora las integraciones disponibles, es posible que se pregunte: ¿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 proporcionan herramientas para rastrear métricas y visualizar resultados, es esencial comprender las cualidades únicas que hacen que esta integración destaque.
Aquí está por qué DVCLive podría ser una opción ideal para tus proyectos Ultralytics YOLO:
El seguimiento del entrenamiento del modelo Ultralytics YOLO11 con DVCLive es más sencillo de lo que cabría esperar. Una vez que las bibliotecas necesarias están instaladas y configuradas, puede iniciar rápidamente el entrenamiento personalizado de su modelo YOLO11.
Después del entrenamiento, puedes ajustar configuraciones 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 de imagen objetivo (la resolución de las imágenes utilizadas para el entrenamiento) para mejorar la precisión. Luego, 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, consulte nuestra documentación para el entrenamiento personalizado de los modelos Ultralytics YOLO.
A continuación, veamos cómo instalar y usar la integración de DVCLive al entrenar YOLO11 de forma personalizada.
Antes de que puedas comenzar a entrenar YOLO11, deberás instalar tanto el paquete de Python de Ultralytics como DVCLive. Esta integración ha sido diseñada de tal manera que ambas bibliotecas trabajan juntas sin problemas de forma predeterminada, por lo 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 Pip, que es una herramienta de administración de paquetes para instalar bibliotecas de Python, como se muestra en la imagen a continuación.
Una vez que hayas instalado los paquetes, puedes configurar tu entorno y añadir las credenciales necesarias para asegurar que DVCLive se ejecute sin problemas. Configurar un repositorio Git también es útil para realizar un seguimiento de tu código y cualquier cambio en tu configuración de DVCLive.
Para obtener instrucciones detalladas paso a paso y otros consejos útiles, consulte nuestra Guía de instalación. En caso de que tenga algún problema al instalar los paquetes necesarios, nuestra Guía de problemas comunes tiene soluciones y recursos para ayudarle.
Una vez completada la sesión de entrenamiento de tu modelo YOLO11, puedes utilizar las herramientas de visualización para analizar los resultados en profundidad. Específicamente, 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 diagrama 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, 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 mejorar su rendimiento general.
Ahora que hemos aprendido cómo instalar y visualizar los resultados del entrenamiento de YOLO11 utilizando la integración de DVCLive, exploremos algunas de las aplicaciones que esta integración puede mejorar.
Cuando se trata de la agricultura y la cosecha de alimentos, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden utilizar la compatibilidad de YOLO11 con la detección de objetos y la segmentación de instancias para identificar posibles enfermedades de los cultivos, rastrear el ganado y detectar infestaciones de plagas.
En particular, YOLO11 puede ayudar a detectar signos tempranos de enfermedades de las plantas, plagas dañinas o animales enfermos mediante el análisis de imágenes de drones o cámaras. Este tipo de sistemas de Vision AI permiten a los agricultores actuar rápidamente para detener la propagación de los problemas, ahorrando tiempo y reduciendo las pérdidas.
Dado que las condiciones de las granjas cambian constantemente con el clima y las estaciones, es importante probar los modelos en una variedad de imágenes para asegurar que funcionen bien en diferentes situaciones. El uso de la integración de DVCLive para el entrenamiento personalizado de YOLO11 para aplicaciones agrícolas es una excelente manera de realizar un seguimiento de su rendimiento, especialmente con conjuntos de datos diversos.
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 los vídeos de las cámaras de seguridad, YOLO11 puede rastrear cómo se mueve la gente por la tienda, qué áreas reciben el mayor tráfico peatonal y cómo interactúan los compradores con los productos. Estos datos pueden utilizarse para crear mapas de calor que muestren qué estantes atraen más la atención, cuánto tiempo pasan los clientes en los diferentes pasillos y si los anuncios publicitarios están siendo notados.
Con esta inteligencia empresarial, los propietarios de las tiendas pueden reorganizar los productos para aumentar las ventas, acelerar las colas de pago y ajustar la dotación de personal para ayudar a los clientes dónde y cuándo más lo necesitan.
A menudo, las tiendas minoristas tienen características únicas, como condiciones de iluminación, distribuciones 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 las aplicaciones minoristas, lo que permite obtener mejores conocimientos sobre el comportamiento de los clientes y las operaciones de la tienda.
El entrenamiento personalizado de YOLO11 mientras se utiliza la integración de DVCLive facilita el seguimiento y la mejora de sus experimentos de visión artificial. Registra automáticamente detalles importantes, muestra resultados visuales claros y le ayuda a comparar diferentes versiones de su modelo.
Ya sea que estés intentando aumentar la productividad agrícola o mejorar la experiencia de compra en una tienda, esta integración asegura que tus modelos de Visión Artificial 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 en GitHub para obtener más información sobre la Visión Artificial, y consulta nuestras opciones de licencia para impulsar 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.
.webp)
