Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance des expériences de computer vision, où les machines sont entraînées à interpréter et à comprendre les données visuelles, constituent une partie cruciale du développement et de l'affinage des modèles de vision par IA comme Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et d'enregistrer des métriques ainsi que des résultats provenant de multiples sessions d'entraînement de modèles. Cela peut aider à analyser les performances du modèle et à y apporter des améliorations basées sur les données.

Sans un système de suivi d'expériences bien défini, comparer les résultats et apporter des modifications aux modèles peut devenir complexe et mener à des erreurs. En fait, automatiser ce processus est une excellente option qui peut garantir une meilleure cohérence.

C'est exactement ce que vise l'intégration DVCLive integration prise en charge par Ultralytics. DVCLive offre un moyen simplifié d'enregistrer automatiquement les détails des expériences, de visualiser les résultats et de gérer le suivi des performances du modèle, le tout au sein d'un même flux de travail.

Dans cet article, nous allons aborder la manière d'utiliser l'intégration DVCLive lors de l'entraînement d'Ultralytics YOLO11. Nous examinerons également ses avantages et la façon dont elle facilite le suivi des expériences pour un meilleur développement des vision AI model.

Qu'est-ce que DVCLive ?#

DVCLive, créé par DVC (Data Version Control), est un outil open-source fiable conçu pour le suivi d'expériences en apprentissage automatique. La bibliothèque Python DVCLive fournit un enregistreur d'expériences en temps réel qui permet aux développeurs et chercheurs en IA de suivre les métriques et les paramètres de leurs expériences.

Par exemple, il peut enregistrer automatiquement les métriques clés de performance du modèle, comparer les résultats entre les cycles d'entraînement et visualiser les performances du modèle. Ces fonctionnalités permettent à DVCLive de t'aider à maintenir un flux de travail d'apprentissage automatique structuré et reproductible.

Fig 1. Un 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 computer vision en fournissant des data visualizations claires et faciles à comprendre ainsi que des outils d'analyse. Voici quelques autres fonctionnalités clés de DVCLive :

• Prend en charge divers frameworks : DVCLive peut être utilisé avec d'autres frameworks d'apprentissage automatique populaires. Cela rend l'intégration dans des flux de travail existants et l'amélioration des capacités de suivi d'expériences simples.

• Tracés interactifs : Il peut être utilisé pour générer automatiquement des tracés interactifs à partir de données, fournissant des représentations visuelles des métriques de performance au fil du temps.

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

Pourquoi devrais-tu utiliser l'intégration DVCLive ?#

En consultant la Ultralytics documentation et en explorant les integrations disponibles, tu te demandes peut-être : qu'est-ce qui distingue l'intégration DVCLive et pourquoi devrais-tu la choisir pour ton flux de travail ?

Avec des intégrations comme TensorBoard et MLflow qui fournissent également des outils pour suivre les métriques et visualiser les résultats, il est essentiel de comprendre les qualités uniques qui font ressortir cette intégration.

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

• Surcharge minimale : DVCLive est un excellent outil pour enregistrer les métriques d'expériences sans ajouter de charge computationnelle ou de stockage supplémentaire. Il enregistre les journaux sous forme de texte brut ou de fichiers JSON, ce qui facilite l'intégration dans des flux de travail existants sans dépendre de services ou de bases de données externes.

• Intégration native avec DVC : Créé par l'équipe derrière DVC, DVCLive fonctionne parfaitement avec le système de versionnage de données et de modèles de DVC. Il permet également aux utilisateurs de suivre les versions des jeux de données, les points de contrôle du modèle et les changements de pipeline, ce qui le rend idéal pour les équipes utilisant déjà DVC pour la reproductibilité en apprentissage automatique.

• Compatible avec Git : DVCLive s'intègre avec Git, ce qui facilite le suivi des changements, la comparaison des modèles et le retour aux versions précédentes tout en gardant les données d'expérience organisées et versionnées.

Démarrer avec DVCLive#

Le suivi de l'entraînement du modèle Ultralytics YOLO11 avec DVCLive est plus simple que tu ne pourrais le penser. Une fois les bibliothèques nécessaires installées et configurées, tu peux rapidement commencer à entraîner sur mesure ton modèle YOLO11.

Après l'entraînement, tu peux ajuster des paramètres clés comme les epochs (le nombre de fois que le modèle parcourt l'ensemble du jeu de données), la patience (combien de temps attendre avant de s'arrêter s'il n'y a pas d'amélioration) et la taille cible de l'image (la résolution des images utilisées pour l'entraînement) pour améliorer la précision. Ensuite, tu peux utiliser l'outil de visualisation de DVCLive pour comparer différentes versions de ton modèle et analyser leurs performances.

Pour une compréhension plus détaillée du processus d'entraînement des modèles et des meilleures pratiques, consulte notre documentation pour le custom-training des modèles Ultralytics YOLO.

Ensuite, voyons comment installer et utiliser l'intégration DVCLive lors de l'entraînement personnalisé de Ultralytics YOLO11.

Installation des prérequis#

Avant de pouvoir commencer à entraîner YOLO11, tu devras installer à la fois le Ultralytics Python package et DVCLive. Cette intégration a été conçue de telle sorte que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, tu n'as donc pas à t'inquiéter de configurations complexes.

L'ensemble du processus d'installation peut être complété en seulement quelques minutes avec une seule commande pip, qui est un outil de gestion de paquets pour installer des bibliothèques Python, comme montré dans l'image ci-dessous.

Fig 2. Installation d'Ultralytics et DVCLive.

Une fois que tu as installé les packages, tu peux configurer ton environnement et ajouter les identifiants nécessaires pour garantir que DVCLive fonctionne correctement. Configurer un dépôt Git est également utile pour garder une trace de ton code et de tout changement dans tes paramètres DVCLive.

Pour des instructions détaillées étape par étape et d'autres conseils utiles, consulte notre Installation Guide. Si tu rencontres des problèmes lors de l'installation des paquets requis, notre Common Issues Guide propose des solutions et des ressources pour t'aider.

Entraînement d'expériences en utilisant DVCLive#

Une fois ta session d'entraînement du 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, comme leur organisation en tableaux pour l'analyse et la comparaison) pour une manipulation et une visualisation simplifiées.

Pour une façon plus interactive et visuelle d'explorer tes résultats, tu peux également essayer d'utiliser le tracé de coordonnées parallèles de Plotly (un type de graphique qui montre comment différents paramètres du modèle et résultats de performance sont connectés).

Finalement, tu peux utiliser les insights issus de ces visualisations pour prendre de meilleures décisions concernant l'optimisation de ton modèle, le réglage des hyperparamètres ou pour apporter d'autres modifications visant à booster ses performances globales.

Applications de Ultralytics YOLO11 et de l'intégration DVCLive#

Maintenant que tu as appris à installer et à visualiser les résultats d'entraînement d'Ultralytics YOLO11 en utilisant l'intégration DVCLive, explorons quelques-unes des applications que cette intégration peut enrichir.

Agriculture et agriculture de précision#

En matière d'agriculture et de récolte de cultures pour l'alimentation, la précision peut faire une énorme différence. Par exemple, tu peux utiliser la prise en charge par Ultralytics YOLO11 de la détection d'objets et de la segmentation d'instances pour identifier les maladies potentielles des cultures, suivre le bétail et détecter les infestations de nuisibles.

En particulier, Ultralytics YOLO11 peut t'aider à repérer les premiers signes de maladies des plantes, de parasites nuisibles ou d'animaux en mauvaise santé en analysant des images provenant de drones ou de caméras. Ces types de systèmes de vision par IA permettent aux agriculteurs d'agir rapidement pour empêcher les problèmes de se propager, ce qui fait gagner du temps et réduit les pertes.

Fig 3. Un exemple d'utilisation de YOLO11 pour surveiller les cultures.

Comme les conditions agricoles changent constamment avec la météo et les saisons, il est important de tester tes modèles sur une variété d'images pour t'assurer qu'ils fonctionnent bien dans différentes situations. L'utilisation de l'intégration DVCLive pour l'entraînement personnalisé d'Ultralytics YOLO11 pour 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'enrichir l'expérience d'achat.

En analysant des vidéos de caméras de sécurité, Ultralytics YOLO11 peut suivre les déplacements des personnes dans le magasin, les zones qui reçoivent le plus de trafic piétonnier et la façon dont les acheteurs interagissent avec les produits. Ces données peuvent ensuite être utilisées pour générer des cartes thermiques montrant quelles étagères attirent le plus l'attention, combien de temps les clients passent dans différentes allées et si les présentoirs publicitaires sont remarqués.

Avec cette intelligence économique, les propriétaires de magasins peuvent réorganiser les produits pour augmenter les ventes, accélérer les files d'attente aux caisses et ajuster le personnel pour aider les clients là où et quand ils en ont le plus besoin.

Fig 4. Un exemple de carte thermique créée à l'aide de Ultralytics YOLO11 pour un centre commercial.

Souvent, les magasins de détail ont des caractéristiques uniques, telles que des conditions d'éclairage variables, des agencements et des tailles de foule différents. En raison de ces différences, les modèles de vision par ordinateur utilisés pour analyser l'activité en magasin doivent être testés et ajustés avec soin pour chaque emplacement afin de garantir l'exactitude. Par exemple, l'intégration DVCLive peut t'aider à affiner Ultralytics YOLO11, le rendant plus précis et plus fiable pour les applications de vente au détail, ce qui permet d'obtenir de meilleures analyses sur le comportement des clients et les opérations du magasin.

Points clés#

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

Que tu essaies de booster la productivité agricole ou d'améliorer l'expérience d'achat dans un magasin, cette intégration garantit que tes modèles d'IA en vision fonctionnent bien. Avec le suivi d'expériences, tu peux tester, affiner et optimiser systématiquement tes modèles, menant à des améliorations continues en précision et en performance.

Rejoins our community et explore notre GitHub repository pour en savoir plus sur l'IA de vision, et consulte our licensing options pour lancer tes projets de computer vision. Intéressé par des innovations telles que l'AI in manufacturing ou la computer vision in self-driving ? Visite nos pages de solutions pour en découvrir davantage.