Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance des expériences de vision par ordinateur, où les machines sont entraînées à interpréter et à comprendre les données visuelles, sont un élément essentiel du développement et du réglage fin des modèles de Vision IA comme Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et d'enregistrer les métriques et les résultats de plusieurs exécutions d'entraînement de modèles. Cela peut aider à analyser les performances du modèle et à apporter des améliorations basées sur les données au modèle. 

Sans un système de suivi des expériences bien défini, la comparaison des résultats et la modification des modèles peuvent devenir compliquées et entraîner des erreurs. En fait, l'automatisation de ce processus est une excellente option qui peut garantir une meilleure cohérence.

C'est exactement ce que vise à faire 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 dans un flux de travail unique.

Dans cet article, nous expliquerons comment utiliser l'intégration DVCLive lors de l'entraînement d'Ultralytics YOLO11. Nous examinerons également ses avantages et comment elle facilite le suivi des expériences pour un meilleur 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 le suivi des expériences de machine learning. 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 principales mesures de performance du modèle, comparer les résultats entre les exécutions d'entraînement et visualiser les performances du modèle. Ces fonctionnalités permettent à DVCLive de vous aider à maintenir un flux de travail d'apprentissage automatique structuré et reproductible.

‍

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 quelques autres caractéristiques clés de DVCLive :

• Prend en charge divers frameworks : DVCLive peut être utilisé avec d'autres frameworks d'apprentissage automatique populaires. Cela facilite son intégration dans les flux de travail existants et l'amélioration des 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 devriez-vous utiliser l'intégration DVCLive ?

En parcourant la documentation d'Ultralytics et en explorant les intégrations disponibles, vous pourriez vous demander : Qu'est-ce qui distingue l'intégration de DVCLive et pourquoi devrais-je la choisir pour mon flux de travail ?

Avec des intégrations telles que 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 distinguent cette intégration. 

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

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

• Intégration native avec DVC : Conçu par l'équipe derrière DVC, DVCLive fonctionne de manière fluide avec le système de gestion des versions 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 modifications de pipeline, ce qui le rend idéal pour les équipes utilisant 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 gardant les données d'expérience organisées et sous contrôle de version.

Démarrage avec DVCLive 

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

Après l'entraînement, vous pouvez ajuster des paramètres clés tels que le nombre d'epochs (le nombre de fois où le modèle parcourt l'ensemble de données), la patience (le temps d'attente avant de s'arrêter en l'absence d'amélioration) et la taille cible de l'image (la résolution des images utilisées pour l'entraînement) afin d'améliorer la précision. Ensuite, vous pouvez 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 pour la formation personnalisée des modèles Ultralytics YOLO.

Ensuite, voyons comment installer et utiliser l'intégration DVCLive lors de la formation personnalisée de YOLO11.

Installation des prérequis

Avant de pouvoir commencer à entraîner YOLO11, vous devrez installer 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, vous n'avez donc pas à vous soucier des configurations complexes.

L'ensemble du processus d'installation peut être réalisé en quelques minutes seulement avec une seule 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 pour assurer le bon fonctionnement de DVCLive. La configuration d'un dépôt Git est également utile pour suivre votre code et toute modification apportée à vos paramètres DVCLive. 

Pour 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 packages requis, notre Guide des problèmes courants contient des solutions et des ressources pour vous aider.

Expérimentez l'entraînement en utilisant DVCLive 

Une fois votre session d'entraînement du modèle YOLO11 terminée, vous pouvez utiliser les outils de visualisation pour analyser les résultats en profondeur. Plus précisément, vous pouvez 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 l'analyse et la comparaison) pour une manipulation et une visualisation plus faciles. 

Pour une manière plus interactive et visuelle d'explorer vos résultats, vous pouvez également essayer d'utiliser le graphique des coordonnées parallèles de Plotly (un type de graphique qui montre comment différents paramètres du modèle et résultats de performance sont connectés). 

À terme, vous pouvez utiliser les informations issues de ces visualisations pour prendre de meilleures décisions concernant l'optimisation de votre modèle, le réglage des hyperparamètres ou d'autres modifications visant à améliorer ses performances globales. 

Applications de YOLO11 et de l'intégration DVCLive

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

Agriculture et agriculture de précision

En ce qui concerne l'agriculture et la récolte des cultures destinées à l'alimentation, la précision peut faire une énorme différence. Par exemple, les agriculteurs peuvent utiliser la prise en charge de YOLO11 pour la détection d'objets et la segmentation d'instance afin d'identifier les maladies potentielles des cultures, de suivre le bétail et de détecter les infestations de parasites. 

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

‍

Étant donné que les conditions agricoles changent constamment avec la météo et les 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 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'améliorer 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 afin de montrer quelles étagères attirent le plus l'attention, combien de temps les clients passent dans les différentes allées et si les présentoirs publicitaires sont remarqués. 

Grâce à cette veille stratégique, les propriétaires de magasins peuvent réorganiser les produits pour augmenter les ventes, accélérer les files d'attente aux caisses et ajuster les effectifs pour aider les clients là où et quand ils en ont le plus besoin.

‍

Souvent, les magasins de détail ont des caractéristiques uniques, telles que des conditions d'éclairage, des aménagements 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 de DVCLive peut aider à affiner YOLO11, le rendant plus précis et fiable pour les applications de vente au détail, permettant une meilleure compréhension du comportement des clients et des opérations du magasin.

Principaux points à retenir

La formation personnalisée de YOLO11 tout en utilisant l'intégration DVCLive facilite le suivi et l'amélioration de vos expériences de vision par ordinateur. Elle enregistre automatiquement les détails importants, affiche des résultats visuels clairs et vous aide à comparer différentes versions de votre modèle. 

Que vous cherchiez à augmenter la productivité agricole ou à améliorer l'expérience d'achat dans un magasin, cette intégration garantit que vos modèles de Vision IA fonctionnent bien. Grâce au suivi des expériences, vous pouvez tester, affiner et optimiser vos modèles de manière systématique, ce qui entraîne des améliorations continues en termes de précision et de performance.

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