Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance des expériences de vision par ordinateur, où les machines apprennent à interpréter et à comprendre des données visuelles, sont essentiels au développement et à l’ajustement de modèles d’IA de vision comme Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et de consigner les métriques et les résultats de plusieurs cycles d’entraînement de modèles. Cette démarche peut aider à analyser les performances du modèle et à y apporter des améliorations fondées sur les données.

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

C’est précisément ce que vise l’intégration DVCLive prise en charge par Ultralytics. DVCLive simplifie la consignation automatique des détails des expériences, la visualisation des résultats et le suivi des performances des modèles, le tout dans un seul workflow.

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

Qu’est-ce que DVCLive ?#

DVCLive, créé par DVC (Data Version Control), est un outil open source fiable conçu pour suivre les expériences d’apprentissage automatique. La bibliothèque Python DVCLive fournit un journaliseur 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 enregistrer automatiquement les principales métriques de performance du modèle, comparer les résultats de plusieurs entraînements et visualiser les performances du modèle. Ces fonctionnalités permettent à DVCLive de t’aider à maintenir un processus de travail d’apprentissage automatique structuré et reproductible.

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

Principales fonctionnalités de DVCLive#

L’intégration DVCLive est facile à utiliser et peut améliorer tes projets de vision par ordinateur grâce à des outils clairs et faciles à comprendre de visualisation des données et d’analyse. Voici d’autres fonctionnalités clés de DVCLive :

• Prise en charge de divers frameworks : DVCLive peut être utilisé avec d’autres frameworks d’apprentissage automatique populaires. Son intégration aux workflows existants et l’amélioration des capacités de suivi des expériences sont donc simples.
• Graphiques interactifs : DVCLive peut générer automatiquement des graphiques interactifs à partir des données, qui représentent visuellement l’évolution 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 te demandes peut-être ce qui distingue l’intégration DVCLive et pourquoi la choisir pour ton workflow.

Des intégrations comme TensorBoard et MLflow proposent également des outils de suivi des métriques et de visualisation des résultats. Il est donc essentiel de comprendre les caractéristiques propres à cette intégration qui la démarquent.

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

• Faible surcharge : DVCLive est un excellent outil pour enregistrer les métriques d’expérience tout en limitant les besoins en calcul et en stockage. Il enregistre les journaux sous forme de fichiers texte brut ou JSON, ce qui facilite son intégration aux processus de travail existants sans dépendre de services externes ni de bases de données.
• Intégration native à DVC : Créé par l’équipe à l’origine de DVC, DVCLive fonctionne parfaitement avec le système de gestion des versions des données et des modèles de DVC. Il permet aussi de suivre les versions des jeux de données, les points de contrôle des modèles et les modifications des pipelines. Il convient donc parfaitement aux équipes qui utilisent déjà DVC pour garantir 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 organisant les données des expériences et en assurant leur gestion de versions.

Premiers pas avec DVCLive#

Le suivi de l’entraînement d’un modèle 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 sur mesure.

Après l’entraînement, tu peux ajuster des paramètres clés comme le nombre d’époques (le nombre de fois que le modèle parcourt l’ensemble du jeu de données), la patience (le délai à attendre avant l’arrêt en l’absence d’amélioration) et la taille d’image cible (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 découvrir les bonnes pratiques, consulte notre documentation sur l’entraînement sur mesure des modèles Ultralytics YOLO.

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

Installer les dépendances#

Avant de commencer à entraîner YOLO11, tu dois installer le package Python Ultralytics ainsi que DVCLive. Cette intégration a été conçue pour que les deux bibliothèques fonctionnent ensemble par défaut : tu n’as donc pas à te préoccuper de configurations complexes.

L’installation complète ne prend que quelques minutes et s’effectue à l’aide d’une seule commande utilisant pip, le gestionnaire de paquets des bibliothèques Python, comme le montre l’image ci-dessous.

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

Une fois les paquets installés, tu peux configurer ton environnement et ajouter les identifiants nécessaires pour que DVCLive fonctionne correctement. La configuration d’un dépôt Git est également utile pour suivre ton code et les modifications apportées aux paramètres de DVCLive.

Pour obtenir des instructions détaillées, étape par étape, ainsi que d’autres conseils utiles, consulte notre guide d’installation. Si tu rencontres des problèmes lors de l’installation des paquets 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 détail. 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, par exemple en les organisant dans des tableaux pour les analyser et les comparer), afin de les manipuler et de les visualiser plus facilement.

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

Enfin, tu peux t’appuyer sur les informations tirées 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 vu comment installer Ultralytics YOLO11 et visualiser les résultats de son entraînement à l’aide de l’intégration DVCLive, explorons quelques applications que cette intégration peut améliorer.

Agriculture et agriculture de précision#

En agriculture, lorsqu’il s’agit de cultiver et de récolter des denrées alimentaires, la précision peut faire toute la 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 repérer d’éventuelles maladies des cultures, suivre le bétail et détecter les infestations de ravageurs.

Plus précisément, Ultralytics YOLO11 peut aider à détecter les premiers signes de maladies des plantes, de ravageurs nuisibles ou de problèmes de santé chez les animaux en analysant les images prises par des drones ou des caméras. Ces systèmes d’IA visuelle permettent aux agriculteurs d’intervenir rapidement pour empêcher la propagation des problèmes, tout en gagnant du temps et en réduisant les pertes.

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

Comme les conditions agricoles évoluent constamment en fonction de la météo et des saisons, il est important de tester les modèles sur une variété d’images pour vérifier qu’ils fonctionnent bien dans différentes situations. L’intégration DVCLive permet de suivre facilement les performances d’Ultralytics YOLO11 lors d’un entraînement personnalisé pour des applications agricoles, en particulier avec des jeux de données variés.

Analyse du comportement des clients dans le commerce de détail#

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

En analysant les vidéos des caméras de sécurité, Ultralytics YOLO11 peut suivre les déplacements des personnes dans le magasin, repérer les zones les plus fréquentées et observer les interactions des clients avec les produits. Ces données peuvent ensuite servir à créer des cartes thermiques montrant les rayons qui attirent le plus l’attention, le temps passé par les clients dans les différentes allées et la visibilité des présentoirs publicitaires.

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

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

Les magasins de détail ont souvent des caractéristiques propres, comme des conditions d’éclairage, des agencements et des niveaux d’affluence 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 de DVCLive peut aider à suivre les cycles de réglage fin d’Ultralytics YOLO11, ce qui facilite la création de modèles précis et fiables pour les applications de vente au détail et permet de mieux comprendre le comportement des clients et les activités du magasin.

Points clés à retenir#

Entraîner Ultralytics YOLO11 sur mesure tout en utilisant l’intégration DVCLive facilite le suivi et l’amélioration de tes expériences de vision par ordinateur. L’intégration consigne automatiquement les informations importantes, 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 t’aide à vérifier les performances de tes modèles d’AI visuelle. Le suivi des expériences te permet de tester, d’affiner et d’optimiser systématiquement tes modèles, ce qui améliore 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. Les innovations comme l’IA dans l’industrie manufacturière ou la vision par ordinateur dans la conduite autonome t’intéressent ? Consulte nos pages de solutions pour en savoir plus.