Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance d'expériences en vision par ordinateur, où des machines sont entraînées à interpréter et comprendre des données visuelles, constituent une partie cruciale du développement et de l'ajustement fin de modèles d'IA en vision comme Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et d'enregistrer des métriques ainsi que des résultats issus de plusieurs cycles d'entraînement de modèles. Cela peut aider à analyser les performances du modèle et à 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 précisément ce que vise l'intégration DVCLive 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 seul flux de travail.

Dans cet article, nous discuterons de la façon d'utiliser l'intégration DVCLive lors de l'entraînement d'Ultralytics YOLO11. Nous examinerons également ses avantages et comment il facilite le suivi d'expériences pour un meilleur développement de modèles d'IA en vision.

Link to this sectionQu'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 d'expériences.

Link to this sectionFonctionnalités 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 :

• 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.

Link to this sectionPourquoi devrais-tu utiliser l'intégration DVCLive ?#

En parcourant la documentation d'Ultralytics et en explorant les intégrations disponibles, tu pourrais te demander : Qu'est-ce qui distingue l'intégration DVCLive, et pourquoi devrais-je la choisir pour mon 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.

Link to this sectionDémarrer 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 du modèle et des meilleures pratiques, consulte notre documentation pour l'entraînement sur mesure des modèles Ultralytics YOLO.

Ensuite, parcourons comment installer et utiliser l'intégration DVCLive lors de l'entraînement sur mesure de YOLO11.

Link to this sectionInstallation des prérequis#

Avant de pouvoir commencer à entraîner YOLO11, tu devras installer à la fois le package Python Ultralytics et DVCLive. Cette intégration a été conçue de telle sorte que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, donc tu n'as pas à te soucier 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 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.

Link to this sectionEntraînement d'expériences en utilisant DVCLive#

Une fois ta session d'entraînement du modèle 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 les organiser en tableaux pour analyse et comparaison) pour une manipulation et une visualisation plus simples.

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.

Link to this sectionApplications de YOLO11 et de l'intégration DVCLive#

Maintenant que nous avons appris à installer et visualiser les résultats d'entraînement de YOLO11 en utilisant l'intégration DVCLive, explorons certaines des applications que cette intégration peut améliorer.

Link to this sectionAgriculture et agriculture de précision#

Lorsqu'il s'agit d'agriculture et de récolte de cultures pour l'alimentation, la précision peut faire une énorme différence. Par exemple, les agriculteurs peuvent utiliser la prise en charge par YOLO11 de la détection d'objets et de la segmentation d'instance pour identifier des maladies potentielles des cultures, suivre le bétail et détecter les infestations de parasites.

En particulier, YOLO11 peut aider à détecter 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 d'IA en vision permettent aux agriculteurs d'agir rapidement pour empêcher les problèmes de se propager, économisant du temps et réduisant 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 les modèles sur une variété d'images pour garantir qu'ils fonctionnent bien dans différentes situations. Utiliser l'intégration DVCLive pour l'entraînement sur mesure de YOLO11 pour des applications agricoles est un excellent moyen de garder une trace de ses performances, surtout avec des jeux de données diversifiés.

Link to this sectionAnalyse 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 les vidéos provenant de caméras de sécurité, YOLO11 peut suivre la façon dont les gens se déplacent dans le magasin, quelles zones obtiennent le plus de trafic piétonnier et comment les clients interagissent avec les produits. Ces données peuvent ensuite être utilisées pour créer des cartes thermiques montrant quels rayons attirent le plus l'attention, combien de temps les clients passent dans différents rayons 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 d'une carte thermique créée en utilisant YOLO11 pour un centre commercial.

Souvent, les magasins de détail ont des caractéristiques uniques, telles que 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 du magasin doivent être soigneusement testés et ajustés pour chaque emplacement afin de garantir la précision. Par exemple, l'intégration DVCLive peut aider à affiner YOLO11, le rendant plus précis et fiable pour les applications de détail, permettant de meilleurs insights sur le comportement des clients et les opérations du magasin.

Link to this sectionPoints clés#

L'entraînement sur mesure de YOLO11 tout en utilisant l'intégration DVCLive facilite le suivi et l'amélioration de tes expériences en vision par ordinateur. Il enregistre automatiquement les détails importants, montre 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 notre communauté et explore notre dépôt GitHub pour en savoir plus sur l'IA en vision, et consulte nos options de licence pour lancer tes projets de vision par ordinateur. Intéressé par des innovations comme l'IA dans la fabrication ou la vision par ordinateur dans la conduite autonome ? Visite nos pages de solutions pour en découvrir davantage.