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 della messa a punto di modelli di IA visiva come Ultralytics YOLO11. Questi esperimenti spesso comportano il test di diversi parametri chiave e la registrazione di metriche e risultati di più cicli di addestramento del modello. Questo può aiutare ad analizzare le prestazioni del modello e ad apportare miglioramenti basati sui dati al modello.

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.

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

In questo articolo parleremo di come utilizzare l'integrazione DVCLive durante l'addestramento di Ultralytics YOLO11. Daremo anche un'occhiata ai suoi vantaggi e a come semplifica il tracciamento degli esperimenti per un migliore sviluppo dei modelli di IA visiva.

Cos'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. Una rapida occhiata alla dashboard di DVCLive per il tracciamento degli esperimenti.

Funzionalità chiave di DVCLive#

L'integrazione DVCLive è facile da usare e può migliorare i tuoi progetti di computer vision fornendo visualizzazioni dei dati chiare e di facile comprensione e strumenti di analisi. Ecco alcune altre caratteristiche 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.

Perché 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 anche 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.

Iniziare 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 approfondita del processo di addestramento del modello e delle migliori pratiche, consulta la nostra documentazione per l'addestramento personalizzato dei modelli Ultralytics YOLO.

Ora, vediamo come installare e usare l'integrazione DVCLive durante l'addestramento personalizzato di Ultralytics YOLO11.

Installazione dei requisiti#

Prima di poter iniziare ad addestrare YOLO11, dovrai installare sia il pacchetto Python di Ultralytics che DVCLive. Questa integrazione è stata progettata in modo tale che entrambe le librerie lavorino insieme in modo trasparente 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 consigli utili, dai un'occhiata alla nostra Guida all'installazione. Nel caso in cui riscontri problemi durante l'installazione dei pacchetti richiesti, la nostra Guida ai problemi comuni offre soluzioni e risorse per aiutarti.

Addestramento sperimentale utilizzando DVCLive#

Al termine della sessione di addestramento del tuo modello Ultralytics YOLO11, puoi usare gli strumenti di visualizzazione per analizzare i risultati in modo approfondito. Nello specifico, puoi usare l'API di DVC per estrarre i dati e lavorarli con pandas (una libreria Python che semplifica la gestione dei dati, consentendo ad esempio di organizzarli in tabelle per l'analisi e il confronto) per una gestione e una visualizzazione più agevoli.

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.

Applicazioni di Ultralytics YOLO11 e dell'integrazione DVCLive#

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

Agricoltura e agricoltura di precisione#

Quando si parla di agricoltura e raccolta di colture alimentari, la precisione può fare una differenza enorme. Ad esempio, gli agricoltori possono sfruttare il supporto di Ultralytics YOLO11 per il object detection e la segmentazione d'istanza per identificare potenziali malattie delle colture, monitorare il bestiame e rilevare infestazioni di parassiti.

In particolare, Ultralytics YOLO11 può aiutare a cogliere i primi segni di malattie delle piante, parassiti nocivi o animali malati analizzando immagini provenienti da droni o telecamere. Questi tipi di sistemi di visione 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 tempo e le stagioni, è importante testare i modelli su una varietà di immagini per garantirne le prestazioni in diverse situazioni. L'uso dell'integrazione DVCLive per l'addestramento personalizzato di Ultralytics YOLO11 per applicazioni agricole è un ottimo modo per tenere traccia delle sue prestazioni, soprattutto con dataset diversi.

Analisi 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, Ultralytics YOLO11 può monitorare il movimento delle persone all'interno del negozio, quali aree ricevono più 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 catturano più attenzione, quanto tempo i clienti trascorrono nei diversi corridoi 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 usando Ultralytics YOLO11 per un centro commerciale.

Spesso i negozi al dettaglio presentano caratteristiche uniche, come condizioni di illuminazione variabili, layout e dimensioni della folla. A causa di queste differenze, i modelli di computer vision utilizzati per analizzare l'attività del negozio devono essere accuratamente testati e regolati per ciascuna posizione per garantire precisione. Ad esempio, l'integrazione DVCLive può aiutare a mettere a punto Ultralytics YOLO11, rendendolo più preciso e affidabile per le applicazioni retail, consentendo una migliore comprensione del comportamento dei clienti e delle operazioni del negozio.

Punti chiave#

L'addestramento personalizzato di Ultralytics YOLO11 durante l'utilizzo dell'integrazione DVCLive semplifica il monitoraggio e il miglioramento dei tuoi esperimenti di computer vision. Registra automaticamente i 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 sull'IA visiva, e dai un'occhiata alle nostre opzioni di licenza per dare il via ai 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.