Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance des expériences de vision par ordinateur, dans lesquelles les machines sont entraînées à interpréter et comprendre des données visuelles, constituent une étape essentielle du développement et de l’affinement de modèles d’IA visuelle comme Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et de consigner les métriques et les résultats de plusieurs entraînements de modèles. Cela peut aider à analyser les performances du modèle et à y apporter des améliorations fondées sur les données.

Sans système de suivi des expériences bien défini, comparer les résultats et modifier les modèles peut devenir complexe et entraîner des erreurs. En fait, l’automatisation de ce processus est une excellente option pour garantir une meilleure cohérence.

C’est précisément ce que vise à faire l’intégration DVCLive prise en charge par Ultralytics. DVCLive offre un moyen simplifié de consigner automatiquement les détails des expériences, de visualiser les résultats et de suivre les performances des modèles, le tout dans un même workflow.

Dans cet article, nous verrons comment utiliser l’intégration DVCLive pendant l’entraînement d’Ultralytics YOLO11. Nous examinerons également ses avantages et la manière dont elle simplifie le suivi des expériences pour améliorer le développement de modèles d’IA visuelle.

Qu’est-ce que DVCLive ?#

DVCLive, créé par DVC (contrôle de version des données), est un outil open source fiable conçu pour le suivi des expériences de machine learning. La bibliothèque Python DVCLive fournit un outil de consignation des expériences en temps réel qui permet aux développeurs et aux chercheurs en IA de suivre les métriques et les paramètres de leurs expériences.

Par exemple, il peut consigner automatiquement les principales métriques de performance du modèle, comparer les résultats entre plusieurs entraînements et visualiser les performances du modèle. Ces fonctionnalités permettent à DVCLive de t’aider à maintenir un workflow de machine learning structuré et reproductible.

Fig. 1 Aperçu rapide du tableau de bord de DVCLive pour le suivi des expériences.

Fonctionnalités clés de DVCLive#

L’intégration DVCLive est facile à utiliser et peut améliorer tes projets de vision par ordinateur en fournissant des visualisations de données claires et faciles à comprendre, ainsi que des outils d’analyse. Voici quelques autres fonctionnalités clés de DVCLive :

• Prise en charge de différents frameworks : DVCLive peut être utilisé avec d’autres frameworks populaires de machine learning. Son intégration aux workflows existants et l’amélioration des capacités de suivi des expériences sont ainsi simples.

• Graphiques interactifs : il peut générer automatiquement des graphiques interactifs à partir des données, offrant une représentation visuelle des métriques de performance au fil du temps.

• Conception légère : DVCLive est une bibliothèque légère, flexible et accessible, qui peut être utilisée dans différents projets et environnements.

Pourquoi utiliser l’intégration DVCLive ?#

En parcourant la documentation Ultralytics et en explorant les intégrations disponibles, tu peux te demander : qu’est-ce qui distingue l’intégration DVCLive et pourquoi devrais-je la choisir pour mon workflow ?

Des intégrations comme TensorBoard et MLflow fournissent elles aussi des outils pour suivre les métriques et visualiser les résultats. Il est donc essentiel de comprendre les qualités uniques qui permettent à cette intégration de se démarquer.

Voici pourquoi DVCLive pourrait être le choix idéal pour tes projets Ultralytics YOLO :

• Surcharge minimale : DVCLive est un excellent outil pour consigner les métriques des expériences sans ajouter de charge de calcul ou de stockage supplémentaire. Il enregistre les journaux sous forme de fichiers texte brut ou JSON, ce qui facilite son intégration aux workflows existants sans dépendre de services externes ou de bases de données.

• Intégration native avec DVC : développé par l’équipe à l’origine de DVC, DVCLive fonctionne parfaitement avec le système de DVC de gestion des versions des données et des modèles. Il permet également de suivre les versions des jeux de données, les points de contrôle des modèles et les modifications des pipelines, ce qui le rend idéal pour les équipes qui utilisent déjà DVC afin d’assurer la reproductibilité du machine learning.

• Compatible avec Git : DVCLive s’intègre à Git, ce qui facilite le suivi des modifications, la comparaison des modèles et le retour aux versions précédentes, tout en conservant les données des expériences organisées et gérées par version.

Premiers pas avec DVCLive#

Le suivi de l’entraînement des modèles Ultralytics YOLO11 avec DVCLive est plus simple que tu ne le penses. Une fois les bibliothèques nécessaires installées et configurées, tu peux rapidement commencer à entraîner ton modèle YOLO11 personnalisé.

Après l’entraînement, tu peux ajuster des paramètres clés comme les epochs (le nombre de fois où le modèle parcourt l’ensemble du jeu de données), la patience (le délai d’attente avant l’arrêt en l’absence d’amélioration) et la taille cible des images (la résolution des images utilisées pour l’entraînement) afin d’améliorer la précision. Tu peux ensuite utiliser l’outil de visualisation de DVCLive pour comparer différentes versions de ton modèle et analyser leurs performances.

Pour mieux comprendre le processus d’entraînement des modèles et les bonnes pratiques, consulte notre documentation sur l’entraînement personnalisé des modèles Ultralytics YOLO.

Voyons maintenant comment installer et utiliser l’intégration DVCLive pendant l’entraînement personnalisé d’Ultralytics YOLO11.

Installation des dépendances#

Avant de commencer l’entraînement de YOLO11, tu dois installer à la fois le package Python Ultralytics et DVCLive. Cette intégration a été conçue pour que les deux bibliothèques fonctionnent ensemble de manière fluide par défaut : tu n’as donc pas à te soucier de configurations complexes.

L’ensemble du processus d’installation peut être effectué en quelques minutes à l’aide d’une seule commande pip, un outil de gestion des packages servant à installer des bibliothèques Python, comme indiqué dans l’image ci-dessous.

Fig. 2. Installation d’Ultralytics et de DVCLive.

Une fois les packages installés, tu peux configurer ton environnement et ajouter les identifiants nécessaires pour garantir le bon fonctionnement de DVCLive. La configuration d’un dépôt Git est également utile pour suivre ton code et les éventuelles modifications apportées à tes paramètres DVCLive.

Pour obtenir des instructions détaillées étape par étape et d’autres conseils utiles, consulte notre Guide d’installation. Si tu rencontres des problèmes lors de l’installation des packages requis, notre Guide des problèmes courants propose des solutions et des ressources pour t’aider.

Entraînement d’expériences avec DVCLive#

Une fois la session d’entraînement de ton modèle Ultralytics YOLO11 terminée, tu peux utiliser les outils de visualisation pour analyser les résultats en profondeur. Plus précisément, tu peux utiliser l’API de DVC pour extraire les données et les traiter avec pandas (une bibliothèque Python qui facilite le travail avec les données, notamment leur organisation en tableaux pour l’analyse et la comparaison), afin de les manipuler et de les visualiser plus facilement.

Pour explorer tes résultats de manière plus interactive et visuelle, tu peux également essayer le graphique de coordonnées parallèles de Plotly (un type de graphique qui montre les liens entre différents paramètres du modèle et les résultats de performance).

En définitive, tu peux utiliser les enseignements tirés de ces visualisations pour prendre de meilleures décisions concernant l’optimisation de ton modèle, le réglage des hyperparamètres ou d’autres modifications visant à améliorer ses performances globales.

Applications d’Ultralytics YOLO11 et de l’intégration DVCLive#

Maintenant que nous avons appris à installer l’intégration DVCLive et à visualiser les résultats d’entraînement d’Ultralytics YOLO11 avec celle-ci, explorons certaines des applications qu’elle peut améliorer.

Agriculture et agriculture de précision#

Dans l’agriculture et la récolte des cultures destinées à l’alimentation, la précision peut faire une grande différence. Par exemple, les agriculteurs peuvent utiliser la prise en charge de la détection d’objets et de la segmentation d’instances d’Ultralytics YOLO11 pour identifier d’éventuelles maladies des cultures, suivre le bétail et détecter les infestations de nuisibles.

Ultralytics YOLO11 peut notamment aider à repérer les premiers signes de maladies végétales, de nuisibles dangereux ou d’animaux en mauvaise santé en analysant des images prises par des drones ou des caméras. Ces systèmes d’IA visuelle permettent aux agriculteurs d’agir rapidement pour empêcher la propagation des problèmes, gagner du temps et réduire les pertes.

Fig. 3 Exemple d’utilisation de YOLO11 pour surveiller les cultures.

Comme les conditions agricoles changent constamment en fonction de la météo et des saisons, il est important de tester les modèles sur une variété d’images afin de garantir leur bon fonctionnement dans différentes situations. Utiliser l’intégration DVCLive pour l’entraînement personnalisé d’Ultralytics YOLO11 dans des applications agricoles est un excellent moyen de suivre ses performances, en particulier avec des jeux de données diversifiés.

Analyse du comportement des clients dans le commerce de détail#

Les magasins de détail peuvent utiliser l’IA et la vision par ordinateur pour comprendre le comportement des clients et apporter des améliorations afin d’optimiser l’expérience d’achat.

En analysant les vidéos des caméras de sécurité, Ultralytics YOLO11 peut suivre les déplacements des personnes dans le magasin, identifier les zones les plus fréquentées et observer la manière dont les clients interagissent avec les produits. Ces données peuvent ensuite servir à créer des cartes thermiques montrant quelles étagères attirent le plus l’attention, combien de temps les clients passent dans les différents rayons et si les présentoirs publicitaires sont remarqués.

Grâce à ces informations commerciales, les propriétaires de magasins peuvent réorganiser les produits pour augmenter les ventes, accélérer le passage en caisse et adapter les effectifs afin d’aider les clients là où et quand ils en ont le plus besoin.

Fig. 4 Exemple de carte thermique créée avec Ultralytics YOLO11 pour un centre commercial.

Les magasins de détail présentent souvent des caractéristiques propres, comme des conditions d’éclairage, des agencements et des tailles de foule variables. En raison de ces différences, les modèles de vision par ordinateur utilisés pour analyser l’activité en magasin doivent être soigneusement testés et ajustés pour chaque emplacement afin de garantir leur précision. Par exemple, l’intégration DVCLive peut aider à affiner Ultralytics YOLO11, en le rendant plus précis et plus fiable pour les applications de commerce de détail et en permettant d’obtenir de meilleures informations sur le comportement des clients et les opérations en magasin.

Points clés à retenir#

L’entraînement personnalisé d’Ultralytics YOLO11 avec l’intégration DVCLive facilite le suivi et l’amélioration de tes expériences de vision par ordinateur. Il consigne automatiquement les détails importants, affiche des résultats visuels clairs et t’aide à comparer différentes versions de ton modèle.

Que tu cherches à accroître la productivité agricole ou à améliorer l’expérience d’achat en magasin, cette intégration garantit le bon fonctionnement de tes modèles d’IA visuelle. Grâce au suivi des expériences, tu peux tester, affiner et optimiser systématiquement tes modèles, ce qui permet d’améliorer continuellement leur précision et leurs performances.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA visuelle, puis consulte nos options de licence pour lancer tes projets de vision par ordinateur. Tu t’intéresses à des innovations comme l’IA dans l’industrie manufacturière ou la vision par ordinateur pour la conduite autonome ? Consulte nos pages consacrées aux solutions pour en découvrir davantage.