Suivi des expériences avec Ultralytics YOLO11 et DVC

Qu'est-ce que DVCLive ?

DVCLive, créé par DVC (Data Version Control), est un outil open-source fiable conçu pour le suivi des expériences d'apprentissage automatique. La bibliothèque Python DVCLive fournit un enregistreur d'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 automatiquement enregistrer les mesures clés de performance du modèle, comparer les résultats entre les différents entraînements et visualiser la performance du modèle. Ces fonctionnalités permettent à DVCLive de vous aider à maintenir un flux de travail structuré et reproductible en matière d'apprentissage automatique.

‍

Principales caractéristiques de DVCLive

L'intégration de DVCLive est facile à utiliser et peut améliorer vos projets de vision par ordinateur en fournissant des visualisations de données et des outils d'analyse clairs et faciles à comprendre. Voici d'autres caractéristiques clés de DVCLive :

• Prise en charge de différents frameworks: DVCLive peut être utilisé avec d'autres cadres populaires d'apprentissage automatique. Cela permet de l'intégrer dans les flux de travail existants et d'améliorer les capacités de suivi des expériences.

• Graphiques interactifs: Il peut être utilisé pour générer automatiquement des graphiques interactifs à partir de données, fournissant des représentations visuelles des mesures 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 utiliser l'intégration DVCLive ?

En parcourant la documentation d'Ultralytics et en explorant les intégrations disponibles, vous vous poserez peut-être la question suivante : Qu'est-ce qui distingue l'intégration DVCLive et pourquoi devrais-je la choisir pour mon flux de travail ? 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 de suivi des mesures et de visualisation des résultats, il est essentiel de comprendre les qualités uniques qui distinguent cette intégration. 

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

• Une charge minimale : DVCLive est un excellent outil pour enregistrer les mesures des expériences sans ajouter de charge de calcul ou de stockage supplémentaire. Il enregistre les journaux sous forme de fichiers texte ou JSON, ce qui permet de l'intégrer facilement dans les flux de travail existants sans dépendre de services ou de bases de données externes.

• Intégration native avec DVC : conçu par l'équipe de DVC, DVCLive fonctionne parfaitement avec le système de versionnement des données et des modèles de DVC. Il permet également aux utilisateurs de suivre les versions des ensembles de données, les points de contrôle des modèles et les changements de pipeline, ce qui le rend idéal pour les équipes qui utilisent déjà DVC pour la reproductibilité de l'apprentissage automatique.

• 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 d'expérience organisées et contrôlées par version.

Démarrer avec le DVCLive 

Le suivi de l'entraînement du modèle YOLO11 d'Ultralytics avec DVCLive est plus simple que vous ne le pensez. Une fois les bibliothèques nécessaires installées et configurées, vous pouvez rapidement commencer l'entraînement personnalisé de votre modèle YOLO11.

Après l'entraînement, vous pouvez ajuster des paramètres clés tels que les époques (le nombre de fois que le modèle parcourt l'ensemble des données), la patience (le temps d'attente avant d'arrêter s'il n'y a pas d'amélioration) et la taille de l'image cible (la résolution des images utilisées pour l'entraînement) afin d'améliorer la précision. Vous pouvez ensuite utiliser l'outil de visualisation de DVCLive pour comparer différentes versions de votre modèle et analyser leurs performances.

Pour une compréhension plus détaillée du processus de formation des modèles et des meilleures pratiques, consultez notre documentation sur la formation personnalisée des modèles YOLO d'Ultralytics.

Ensuite, nous allons voir comment installer et utiliser l'intégration DVCLive lors de l'entraînement personnalisé de YOLO11.

Installation des exigences

Avant de commencer à former YOLO11, vous devez installer le paquetage Ultralytics Python et DVCLive. Cette intégration a été conçue de manière à ce que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, de sorte que vous n'avez pas à vous soucier de configurations complexes.

L'ensemble du processus d'installation peut être réalisé en quelques minutes à l'aide d'une simple commande Pip, qui est un outil de gestion de paquets pour l'installation de bibliothèques Python, comme le montre l'image ci-dessous. 

‍

Une fois les paquets installés, vous pouvez configurer votre environnement et ajouter les informations d'identification nécessaires au bon fonctionnement de DVCLive. La mise en place d'un dépôt Git est également utile pour garder une trace de votre code et de toute modification de vos paramètres DVCLive. 

Pour obtenir des instructions détaillées étape par étape et d'autres conseils utiles, consultez notre Guide d'installation. Si vous rencontrez des problèmes lors de l'installation des paquets requis, notre Guide des problèmes courants contient des solutions et des ressources pour vous aider.

Applications de YOLO11 et de l'intégration de DVCLive

Maintenant que nous avons appris à installer et à visualiser les résultats de l'entraînement YOLO11 à l'aide de l'intégration DVCLive, explorons quelques-unes des applications que cette intégration peut améliorer.

Agriculture et agriculture de précision

Dans le domaine de l'agriculture et de la récolte, la précision peut faire toute la différence. Par exemple, les agriculteurs peuvent utiliser la prise en charge par 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 ravageurs. 

YOLO11 peut notamment aider à détecter les premiers signes de maladies des plantes, de parasites nuisibles ou d'animaux en mauvaise santé en analysant des images prises par des drones ou des caméras. Ces types de systèmes Vision AI permettent aux agriculteurs d'agir rapidement pour empêcher les problèmes de se propager, ce qui leur permet de gagner du temps et de réduire les pertes.

‍

Comme les conditions agricoles changent constamment en fonction du temps et des saisons, il est important de tester les modèles sur une variété d'images pour s'assurer qu'ils fonctionnent bien dans différentes situations. L'utilisation de l'intégration DVCLive pour l'entraînement personnalisé de YOLO11 pour les applications agricoles est un excellent moyen de suivre ses performances, en particulier avec des ensembles de données variés. 

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 à l'expérience d'achat. 

En analysant les vidéos des caméras de sécurité, YOLO11 peut suivre la façon dont les gens se déplacent dans le magasin, les zones les plus fréquentées et la façon dont 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 les différentes allées et si les affichages publicitaires sont remarqués. 

Grâce à ces informations, 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 ils en ont le plus besoin et au moment où ils en ont le plus besoin.

‍

Souvent, les magasins de détail présentent 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 des magasins doivent être soigneusement testés et ajustés pour chaque emplacement afin d'en garantir la précision. Par exemple, l'intégration de DVCLive peut aider à affiner YOLO11, le rendant plus précis et plus fiable pour les applications de vente au détail, ce qui permet de mieux comprendre le comportement des clients et les opérations du magasin.

Principaux enseignements

L'entraînement personnalisé de YOLO11 à l'aide de l'intégration DVCLive facilite le suivi et l'amélioration de vos expériences de vision par ordinateur. Il enregistre automatiquement les détails importants, affiche des résultats visuels clairs et vous aide à comparer différentes versions de votre modèle. 

Que vous essayiez de stimuler la productivité agricole ou d'améliorer l'expérience d'achat dans un magasin, cette intégration garantit la performance de vos modèles Vision AI. Grâce au suivi des expériences, vous pouvez systématiquement tester, affiner et optimiser vos modèles, ce qui se traduit par une amélioration continue de la précision et des performances.

Rejoignez notre communauté et explorez notre dépôt GitHub pour en savoir plus sur Vision AI, et consultez nos options de licence pour lancer vos projets de vision par ordinateur. Vous êtes intéressé par des innovations telles que l 'IA dans la fabrication ou la vision par ordinateur dans la conduite autonome? Visitez nos pages de solutions pour en savoir plus.