Tracciamento degli esperimenti con Ultralytics YOLO11 e DVC

Tracciare e monitorare gli esperimenti di computer vision, in cui le macchine vengono addestrate a interpretare e comprendere i dati visivi, è una parte cruciale dello sviluppo e dell'ottimizzazione dei modelli di vision AI come Ultralytics YOLO11. Questi esperimenti spesso comportano la verifica di diversi parametri chiave e la registrazione di metriche e risultati da molteplici cicli di addestramento del modello. Farlo può aiutare ad analizzare le prestazioni del modello e ad apportare miglioramenti basati sui dati.

Senza un sistema di monitoraggio degli esperimenti ben definito, confrontare i risultati e apportare modifiche ai modelli può diventare complicato e portare a errori. In effetti, automatizzare questo processo è un'ottima opzione che può garantire una maggiore coerenza.

È esattamente ciò che mira a fare l'integrazione DVCLive supportata da Ultralytics. DVCLive fornisce un modo semplificato per registrare automaticamente i dettagli degli esperimenti, visualizzare i risultati e gestire il monitoraggio delle prestazioni del modello, il tutto all'interno di un unico flusso di lavoro.

In questo articolo, discuteremo come utilizzare l'integrazione DVCLive durante l'addestramento di Ultralytics YOLO11. Vedremo anche i suoi vantaggi e come semplifica il monitoraggio degli esperimenti per uno sviluppo migliore dei modelli di vision AI.

Link to this sectionCos'è DVCLive?#

DVCLive, creato da DVC (Data Version Control), è uno strumento open-source affidabile progettato per tracciare gli esperimenti di machine learning. La libreria Python DVCLive fornisce un logger per esperimenti in tempo reale che consente agli sviluppatori e ai ricercatori AI di tracciare le metriche e i parametri dei propri esperimenti.

Ad esempio, può registrare automaticamente le metriche chiave delle prestazioni del modello, confrontare i risultati tra i vari cicli di addestramento e visualizzare le prestazioni del modello. Queste funzionalità consentono a DVCLive di aiutarti a mantenere un flusso di lavoro di machine learning strutturato e riproducibile.

Fig 1. Uno sguardo rapido alla dashboard di DVCLive per il monitoraggio degli esperimenti.

Link to this sectionFunzionalità chiave di DVCLive#

L'integrazione DVCLive è facile da usare e può migliorare i tuoi progetti di computer vision fornendo visualizzazioni dei dati e strumenti di analisi chiari e facili da comprendere. Ecco alcune altre funzionalità chiave di DVCLive:

• Supporta vari framework: DVCLive può essere utilizzato con altri popolari framework di machine learning. Questo rende semplice incorporarlo nei flussi di lavoro esistenti e migliorare le capacità di monitoraggio degli esperimenti.

• Grafici interattivi: Può essere utilizzato per generare automaticamente grafici interattivi dai dati, fornendo rappresentazioni visive delle metriche di prestazione nel tempo.

• Design leggero: DVCLive è una libreria leggera, flessibile e accessibile, poiché può essere utilizzata in diversi progetti e ambienti.

Link to this sectionPerché dovresti utilizzare l'integrazione DVCLive?#

Mentre consulti la documentazione di Ultralytics ed esplori le integrazioni disponibili, potresti chiederti: cosa distingue l'integrazione DVCLive e perché dovrei sceglierla per il mio flusso di lavoro?

Con integrazioni come TensorBoard e MLflow, che forniscono anch'esse strumenti per tracciare metriche e visualizzare i risultati, è essenziale comprendere le qualità uniche che fanno risaltare questa integrazione.

Ecco perché DVCLive potrebbe essere la scelta ideale per i tuoi progetti Ultralytics YOLO:

• Sovraccarico minimo: DVCLive è un ottimo strumento per registrare le metriche degli esperimenti senza aggiungere alcun carico computazionale o di archiviazione extra. Salva i log come file di testo normale o JSON, rendendo semplice l'integrazione nei flussi di lavoro esistenti senza fare affidamento su servizi o database esterni.

• Integrazione nativa con DVC: Creato dal team dietro DVC, DVCLive funziona senza problemi con il sistema di versionamento di dati e modelli di DVC. Consente inoltre agli utenti di tracciare le versioni dei dataset, i checkpoint dei modelli e le modifiche alla pipeline, rendendolo ideale per i team che utilizzano già DVC per la riproducibilità del machine learning.

• Compatibile con Git: DVCLive si integra con Git, rendendo semplice tracciare le modifiche, confrontare i modelli e ripristinare versioni precedenti, mantenendo i dati degli esperimenti organizzati e sotto controllo di versione.

Link to this sectionIniziare con DVCLive#

Tracciare l'addestramento del modello Ultralytics YOLO11 con DVCLive è più semplice di quanto potresti pensare. Una volta installate e configurate le librerie necessarie, puoi iniziare rapidamente a personalizzare l'addestramento del tuo modello YOLO11.

Dopo l'addestramento, puoi regolare impostazioni chiave come le epoche (il numero di volte in cui il modello elabora l'intero dataset), la pazienza (quanto tempo attendere prima di fermarsi se non ci sono miglioramenti) e la dimensione target dell'immagine (la risoluzione delle immagini utilizzate per l'addestramento) per migliorare la precisione. Quindi, puoi utilizzare lo strumento di visualizzazione di DVCLive per confrontare diverse versioni del tuo modello e analizzare le loro prestazioni.

Per una comprensione più dettagliata del processo di addestramento del modello e delle best practice, consulta la nostra documentazione per l'addestramento personalizzato dei modelli Ultralytics YOLO.

Successivamente, esaminiamo come installare e utilizzare l'integrazione DVCLive durante l'addestramento personalizzato di YOLO11.

Link to this sectionInstallazione dei requisiti#

Prima di poter iniziare l'addestramento di YOLO11, dovrai installare sia il pacchetto Python di Ultralytics che DVCLive. Questa integrazione è stata progettata in modo tale che entrambe le librerie funzionino insieme senza problemi per impostazione predefinita, quindi non devi preoccuparti di configurazioni complesse.

L'intero processo di installazione può essere completato in pochi minuti con un singolo comando pip, che è uno strumento di gestione dei pacchetti per l'installazione di librerie Python, come mostrato nell'immagine sottostante.

Fig 2. Installazione di Ultralytics e DVCLive.

Una volta installati i pacchetti, puoi configurare il tuo ambiente e aggiungere le credenziali necessarie per garantire che DVCLive funzioni correttamente. Configurare un repository Git è anche utile per tenere traccia del tuo codice e di eventuali modifiche alle tue impostazioni di DVCLive.

Per istruzioni dettagliate passo dopo passo e altri suggerimenti utili, consulta la nostra Guida all'installazione. Nel caso in cui riscontrassi problemi durante l'installazione dei pacchetti richiesti, la nostra Guida ai problemi comuni contiene soluzioni e risorse per aiutarti.

Link to this sectionAddestramento sperimentale utilizzando DVCLive#

Dopo aver completato la sessione di addestramento del modello YOLO11, puoi utilizzare gli strumenti di visualizzazione per analizzare i risultati in profondità. Nello specifico, puoi utilizzare l'API di DVC per estrarre i dati ed elaborarli con Pandas (una libreria Python che semplifica il lavoro con i dati, ad esempio organizzandoli in tabelle per l'analisi e il confronto) per una gestione e visualizzazione più semplici.

Per un modo più interattivo e visivo di esplorare i tuoi risultati, puoi anche provare a utilizzare il grafico delle coordinate parallele di Plotly (un tipo di grafico che mostra come sono collegati i diversi parametri del modello e i risultati delle prestazioni).

In definitiva, puoi utilizzare le informazioni ottenute da queste visualizzazioni per prendere decisioni migliori sull'ottimizzazione del modello, sulla regolazione degli iperparametri o sull'apportare altre modifiche per migliorarne le prestazioni complessive.

Link to this sectionApplicazioni di YOLO11 e dell'integrazione DVCLive#

Ora che abbiamo imparato a installare e visualizzare i risultati dell'addestramento di YOLO11 utilizzando l'integrazione DVCLive, esploriamo alcune delle applicazioni che questa integrazione può potenziare.

Link to this sectionAgricoltura e agricoltura di precisione#

Quando si parla di agricoltura e raccolta delle colture per l'alimentazione, la precisione può fare una grande differenza. Ad esempio, gli agricoltori possono utilizzare il supporto di YOLO11 per il rilevamento di oggetti e la segmentazione delle istanze per identificare potenziali malattie delle colture, tracciare il bestiame e rilevare infestazioni di parassiti.

In particolare, YOLO11 può aiutare a individuare precocemente segni di malattie delle piante, parassiti dannosi o animali malati analizzando le immagini provenienti da droni o telecamere. Questi tipi di sistemi di vision AI consentono agli agricoltori di agire rapidamente per fermare la diffusione dei problemi, risparmiando tempo e riducendo le perdite.

Fig 3. Un esempio di utilizzo di YOLO11 per monitorare le colture.

Poiché le condizioni agricole cambiano costantemente con il meteo e le stagioni, è importante testare i modelli su una varietà di immagini per garantire che funzionino bene in diverse situazioni. Utilizzare l'integrazione DVCLive per l'addestramento personalizzato di YOLO11 per applicazioni agricole è un ottimo modo per tenere traccia delle sue prestazioni, specialmente con dataset diversificati.

Link to this sectionAnalisi del comportamento dei clienti nel retail#

I negozi al dettaglio possono utilizzare l'IA e la computer vision per comprendere il comportamento dei clienti e apportare miglioramenti per potenziare l'esperienza di acquisto.

Analizzando i video delle telecamere di sicurezza, YOLO11 può tracciare come le persone si muovono nel negozio, quali aree ottengono il maggior traffico pedonale e come gli acquirenti interagiscono con i prodotti. Questi dati possono quindi essere utilizzati per creare mappe di calore che mostrano quali scaffali attirano maggiormente l'attenzione, quanto tempo trascorrono i clienti nelle diverse corsie e se i display pubblicitari vengono notati.

Con questa business intelligence, i proprietari dei negozi possono riorganizzare i prodotti per aumentare le vendite, velocizzare le file alla cassa e regolare il personale per assistere i clienti dove e quando ne hanno più bisogno.

Fig 4. Un esempio di mappa di calore creata utilizzando YOLO11 per un centro commerciale.

Spesso, i negozi al dettaglio hanno caratteristiche uniche, come condizioni di illuminazione, layout e dimensioni della folla variabili. A causa di queste differenze, i modelli di computer vision utilizzati per analizzare l'attività in negozio devono essere accuratamente testati e regolati per ogni posizione per garantire l'accuratezza. Ad esempio, l'integrazione DVCLive può aiutare a ottimizzare YOLO11, rendendolo più preciso e affidabile per le applicazioni retail, consentendo migliori intuizioni sul comportamento dei clienti e sulle operazioni in negozio.

Link to this sectionPunti chiave#

Personalizzare l'addestramento di YOLO11 utilizzando l'integrazione DVCLive rende più semplice tracciare e migliorare i tuoi esperimenti di computer vision. Registra automaticamente dettagli importanti, mostra risultati visivi chiari e ti aiuta a confrontare diverse versioni del tuo modello.

Che tu stia cercando di aumentare la produttività agricola o migliorare l'esperienza di acquisto in un negozio, questa integrazione assicura che i tuoi modelli di vision AI funzionino bene. Con il monitoraggio degli esperimenti, puoi testare, affinare e ottimizzare sistematicamente i tuoi modelli, portando a continui miglioramenti in accuratezza e prestazioni.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sulla vision AI, e dai un'occhiata alle nostre opzioni di licenza per avviare i tuoi progetti di computer vision. Ti interessano innovazioni come l'IA nella produzione o la computer vision nella guida autonoma? Visita le nostre pagine delle soluzioni per scoprire di più.