Monitoraggio degli esperimenti con Ultralytics YOLO11 e DVC

Il tracciamento e il monitoraggio degli esperimenti di computer vision, in cui le macchine vengono addestrate per interpretare e comprendere i dati visivi, è una parte cruciale dello sviluppo e della messa a punto di modelli di Vision AI come Ultralytics YOLO11. Questi esperimenti spesso comportano la sperimentazione di diversi parametri chiave e la registrazione di metriche e risultati da più esecuzioni di training del modello. Ciò può aiutare ad analizzare le prestazioni del modello e ad apportare miglioramenti basati sui dati al modello. 

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

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

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

Cos'è DVCLive?

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

Ad esempio, può registrare automaticamente le metriche chiave delle prestazioni del modello, confrontare i risultati tra le esecuzioni di training 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.

‍

Caratteristiche principali di DVCLive

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

• Supporta vari framework: DVCLive può essere utilizzato con altri framework di machine learning popolari. Ciò rende semplice l'incorporazione nei flussi di lavoro esistenti e il miglioramento delle capacità di tracciamento degli esperimenti.

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

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

Perché dovresti usare l'integrazione DVCLive?

Mentre consultate la documentazione di Ultralytics ed esplorate le integrazioni disponibili, potreste chiedervi: cosa distingue l'integrazione di DVCLive e perché dovrei sceglierla per il mio flusso di lavoro?

Con integrazioni come TensorBoard e MLflow che forniscono anche strumenti per tracciare le metriche e visualizzare i risultati, è essenziale comprendere le qualità uniche che distinguono questa integrazione. 

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

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

• Integrazione nativa con DVC: Costruito dal team di DVC, DVCLive funziona senza problemi con il sistema di versionamento dei dati e dei 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 già utilizzano DVC per la riproducibilità del machine learning.

• Compatibile con Git: DVCLive si integra con Git, semplificando il tracciamento delle modifiche, il confronto dei modelli e il ripristino delle versioni precedenti, mantenendo al contempo i dati degli esperimenti organizzati e controllati dalla versione.

Iniziare con DVCLive 

Monitorare il training del modello Ultralytics YOLO11 con DVCLive è più semplice di quanto si possa pensare. Una volta installate e configurate le librerie necessarie, è possibile avviare rapidamente il training personalizzato del modello YOLO11.

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

Per una comprensione più approfondita del processo di training del modello e delle best practice, consulta la nostra documentazione per il custom-training dei modelli Ultralytics YOLO.

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

Installazione 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. 

‍

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

Per istruzioni dettagliate passo-passo e altri suggerimenti utili, consulta la nostra Guida all'installazione. In caso di problemi durante l'installazione dei pacchetti richiesti, la nostra Guida ai problemi comuni contiene soluzioni e risorse per aiutarti.

Sperimenta l'addestramento utilizzando DVCLive 

Dopo che la sessione di addestramento del modello YOLO11 è stata completata, è possibile utilizzare gli strumenti di visualizzazione per analizzare i risultati in profondità. In particolare, è possibile utilizzare l'API di DVC per estrarre i dati ed elaborarli con Pandas (una libreria Python che semplifica il lavoro con i dati, come organizzarli 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 diversi parametri del modello e risultati delle prestazioni). 

In definitiva, puoi utilizzare le informazioni derivanti da queste visualizzazioni per prendere decisioni migliori sull'ottimizzazione del tuo modello, sulla messa a punto degli iperparametri o sull'apporto di altre modifiche per migliorarne le prestazioni complessive. 

Applicazioni di YOLO11 e dell'integrazione DVCLive

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

Agricoltura e agricoltura di precisione

Quando si tratta di agricoltura e raccolta di colture alimentari, la precisione può fare un'enorme differenza. Ad esempio, gli agricoltori possono utilizzare il supporto di YOLO11 per l'object detection e la segmentazione delle istanze per identificare potenziali malattie delle colture, monitorare il bestiame e rilevare infestazioni di parassiti. 

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

‍

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

Analisi del comportamento dei clienti nel retail

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

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

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

‍

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 del negozio devono essere attentamente testati e regolati per ogni posizione per garantire la precisione. Ad esempio, l'integrazione DVCLive può aiutare a mettere a punto YOLO11, rendendolo più preciso e affidabile per le applicazioni di vendita al dettaglio, consentendo una migliore comprensione del comportamento dei clienti e delle operazioni del negozio.

Punti chiave

L'addestramento personalizzato di YOLO11 con l'integrazione di DVCLive semplifica il monitoraggio e il miglioramento dei vostri esperimenti di computer vision. Registra automaticamente dettagli importanti, mostra risultati visivi chiari e aiuta a confrontare diverse versioni del vostro modello. 

Che tu stia cercando di aumentare la produttività agricola o di migliorare l'esperienza di acquisto in un negozio, questa integrazione garantisce che i tuoi modelli di Vision AI funzionino bene. Con il tracciamento degli esperimenti, puoi testare, perfezionare e ottimizzare sistematicamente i tuoi modelli, portando a continui miglioramenti in termini di 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 dare il via ai tuoi progetti di computer vision. Sei interessato a innovazioni come l'IA nella produzione o la computer vision nella guida autonoma? Visita le nostre pagine dedicate alle soluzioni per saperne di più.