Monitoraggio degli esperimenti con Ultralytics YOLO11 e DVC

Monitorare e tenere sotto controllo gli esperimenti di computer vision, in cui le macchine vengono addestrate a interpretare e comprendere i dati visivi, è fondamentale per sviluppare e perfezionare modelli di IA per la visione come Ultralytics YOLO11. Questi esperimenti spesso prevedono la verifica di diversi parametri chiave e la registrazione di metriche e risultati provenienti da molteplici sessioni di addestramento dei modelli. In questo modo puoi analizzare le prestazioni del modello e 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. Automatizzare questo processo è infatti un'ottima soluzione per garantire una maggiore coerenza.

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 monitoraggio delle prestazioni dei modelli, tutto all'interno di un unico flusso di lavoro.

In questo articolo vedremo come utilizzare l'integrazione DVCLive durante l'addestramento di Ultralytics YOLO11. Esamineremo anche i suoi vantaggi e come semplifica il monitoraggio degli esperimenti per migliorare lo sviluppo dei modelli di IA per la visione.

Che cos'è DVCLive?#

DVCLive, creato da DVC (Controllo delle versioni dei dati), è uno strumento open source affidabile progettato per monitorare gli esperimenti di machine learning. La libreria Python DVCLive offre un logger degli esperimenti in tempo reale che consente agli sviluppatori e ai ricercatori di IA di monitorare le metriche e i parametri dei propri esperimenti.

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

Fig. 1 Una rapida panoramica della dashboard di DVCLive per il monitoraggio degli esperimenti.

Funzionalità principali di DVCLive#

L'integrazione DVCLive è facile da usare e può migliorare i tuoi progetti di computer vision offrendo visualizzazioni dei dati chiare e facili da comprendere, oltre a strumenti di analisi. Ecco altre funzionalità principali di DVCLive:

• Supporto per diversi framework: DVCLive può essere utilizzato con altri framework di machine learning diffusi. Questo semplifica l'integrazione nei flussi di lavoro esistenti e il miglioramento delle funzionalità di monitoraggio degli esperimenti.

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

• Design leggero: DVCLive è una libreria leggera, flessibile e accessibile, utilizzabile in diversi progetti e ambienti.

Perché dovresti usare l'integrazione DVCLive?#

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

Poiché anche integrazioni come TensorBoard e MLflow offrono strumenti per monitorare le metriche e visualizzare i risultati, è essenziale comprendere le caratteristiche uniche che distinguono questa integrazione.

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

• Overhead minimo: DVCLive è uno strumento eccellente per registrare le metriche degli esperimenti senza aggiungere ulteriore carico computazionale o di archiviazione. Salva i log come file di testo semplice o JSON, semplificando l'integrazione nei flussi di lavoro esistenti senza dipendere da servizi esterni o database.

• Integrazione nativa con DVC: sviluppato dal team che ha creato DVC, DVCLive funziona perfettamente con il sistema di versionamento dei dati e dei modelli di DVC. Consente inoltre di monitorare le versioni dei dataset, i checkpoint dei modelli e le modifiche alle pipeline, risultando ideale per i team che già utilizzano DVC per la riproducibilità del machine learning.

• Compatibile con Git: DVCLive si integra con Git, semplificando il monitoraggio delle modifiche, il confronto tra modelli e il ripristino delle versioni precedenti, mantenendo al contempo i dati degli esperimenti organizzati e sottoposti a controllo versione.

Iniziare a usare DVCLive#

Monitorare l'addestramento dei modelli Ultralytics YOLO11 con DVCLive è più semplice di quanto potresti aspettarti. Dopo aver installato e configurato le librerie necessarie, puoi iniziare rapidamente l'addestramento personalizzato del tuo modello YOLO11.

Dopo l'addestramento, puoi modificare impostazioni chiave come le epoche (il numero di volte in cui il modello attraversa l'intero dataset), la pazienza (per quanto tempo attendere prima di interrompere l'addestramento in assenza di miglioramenti) e la dimensione target delle immagini (la risoluzione delle immagini utilizzate per l'addestramento) per migliorare la precisione. Puoi quindi utilizzare lo strumento di visualizzazione di DVCLive per confrontare diverse versioni del modello e analizzarne le prestazioni.

Per comprendere meglio il processo di addestramento dei modelli e le best practice, consulta la nostra documentazione sull'addestramento personalizzato dei modelli Ultralytics YOLO.

Vediamo ora come installare e utilizzare l'integrazione DVCLive durante l'addestramento personalizzato di Ultralytics YOLO11.

Installazione dei requisiti#

Prima di poter iniziare ad addestrare YOLO11, devi installare sia il pacchetto Python Ultralytics sia DVCLive. Questa integrazione è stata progettata affinché entrambe le librerie funzionino perfettamente insieme per impostazione predefinita, quindi non devi preoccuparti di configurazioni complesse.

L'intero processo di installazione può essere completato in appena un paio di minuti con un singolo comando pip, uno strumento per la gestione dei pacchetti che consente di installare le librerie Python, come mostrato nell'immagine seguente.

Fig. 2. Installazione di Ultralytics e DVCLive.

Dopo aver installato i pacchetti, puoi configurare l'ambiente e aggiungere le credenziali necessarie per assicurarti che DVCLive funzioni correttamente. Configurare un repository Git è inoltre utile per tenere traccia del codice e delle eventuali modifiche alle impostazioni di DVCLive.

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

Addestramento degli esperimenti con DVCLive#

Al termine della sessione di addestramento del modello Ultralytics YOLO11, puoi utilizzare gli strumenti di visualizzazione per analizzare i risultati in profondità. In particolare, puoi usare 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), rendendone più semplice la gestione e la visualizzazione.

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

Infine, puoi utilizzare le informazioni ricavate da queste visualizzazioni per prendere decisioni migliori sull'ottimizzazione del modello, sulla regolazione degli iperparametri o su altre modifiche volte a migliorarne le prestazioni complessive.

Applicazioni di Ultralytics YOLO11 e dell'integrazione DVCLive#

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

Agricoltura e agricoltura di precisione#

Quando si parla di agricoltura e raccolta delle colture alimentari, la precisione può fare un'enorme differenza. Ad esempio, gli agricoltori possono utilizzare il supporto di Ultralytics YOLO11 per il rilevamento degli oggetti e la segmentazione delle istanze per individuare potenziali malattie delle colture, monitorare il bestiame e rilevare infestazioni di parassiti.

In particolare, Ultralytics YOLO11 può aiutare a individuare i primi segnali di malattie delle piante, parassiti dannosi o animali non sani analizzando immagini provenienti da droni o telecamere. Questi sistemi di IA per la visione consentono agli agricoltori di intervenire 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 continuamente in base al clima e alle stagioni, è importante testare i modelli su una varietà di immagini per assicurarsi che funzionino bene in situazioni diverse. Utilizzare l'integrazione DVCLive per l'addestramento personalizzato di Ultralytics YOLO11 in applicazioni agricole è un ottimo modo per monitorarne le prestazioni, soprattutto con dataset diversificati.

Analisi del comportamento dei clienti nel commercio al dettaglio#

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

Analizzando i video delle telecamere di sicurezza, Ultralytics YOLO11 può monitorare come si muovono le persone all'interno del negozio, quali aree ricevono il maggior traffico 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 i clienti trascorrono nei diversi corridoi e se le esposizioni pubblicitarie vengono notate.

Grazie a queste informazioni aziendali, i proprietari dei negozi possono riorganizzare i prodotti per aumentare le vendite, velocizzare le code alle casse e adeguare il personale per assistere i clienti dove e quando ne hanno più bisogno.

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

Spesso i negozi al dettaglio presentano caratteristiche uniche, come condizioni di illuminazione, configurazioni degli spazi e dimensioni della folla variabili. A causa di queste differenze, i modelli di computer vision utilizzati per analizzare l'attività del negozio devono essere testati e regolati con attenzione per ogni sede, così da garantirne la precisione. Ad esempio, l'integrazione DVCLive può aiutare a perfezionare Ultralytics YOLO11, rendendolo più preciso e affidabile per le applicazioni nel commercio al dettaglio e consentendo di ottenere informazioni migliori sul comportamento dei clienti e sulle operazioni del negozio.

Punti chiave#

L'addestramento personalizzato di Ultralytics YOLO11 con l'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 modello.

Che tu stia cercando di aumentare la produttività agricola o di migliorare l'esperienza di acquisto in un negozio, questa integrazione garantisce buone prestazioni dei tuoi modelli di IA per la visione. Grazie al monitoraggio degli esperimenti, puoi testare, perfezionare e ottimizzare sistematicamente i tuoi modelli, ottenendo miglioramenti continui in termini di precisione e prestazioni.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull'IA per la visione, e consulta le nostre opzioni di licenza per avviare i tuoi progetti di computer vision. Ti interessano innovazioni come l'IA nella produzione industriale o la computer vision nella guida autonoma? Visita le nostre pagine sulle soluzioni per scoprire di più.