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 Vision AI come Ultralytics YOLO11. Questi esperimenti spesso comportano la verifica di diversi parametri chiave e la registrazione delle metriche e dei risultati di più cicli di addestramento del modello. In questo modo è possibile analizzare le prestazioni del modello e apportare miglioramenti al modello in base ai dati. 

Senza un sistema di tracciamento 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 proprio questo l'obiettivo dell'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, il tutto in un unico flusso di lavoro.

In questo articolo discuteremo di come utilizzare l'integrazione DVCLive durante l'addestramento di Ultralytics YOLO11. Ne esamineremo anche i vantaggi e il modo in cui facilita il tracciamento degli esperimenti per un migliore sviluppo del modello Vision AI .

Che cos'è DVCLive?

DVCLive, creato da DVC (Data Version Control), è uno strumento open-source affidabile progettato per tracciare gli esperimenti di apprendimento automatico. La libreria DVCLive Python fornisce un registratore di esperimenti in tempo reale che consente a sviluppatori e ricercatori di intelligenza artificiale di tenere traccia delle metriche e dei parametri dei loro esperimenti. 

Ad esempio, è in grado di registrare automaticamente le principali metriche delle prestazioni del modello, di confrontare i risultati tra i vari cicli di formazione e di visualizzare le prestazioni del modello. Queste funzioni consentono a DVCLive di aiutarvi a mantenere un flusso di lavoro di apprendimento automatico strutturato e riproducibile.

‍

Caratteristiche principali di DVCLive

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

• Supporta diversi framework: DVCLive può essere utilizzato con altri framework di apprendimento automatico molto diffusi. Questo rende semplice l'integrazione 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 delle prestazioni nel tempo. 

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

Perché utilizzare l'integrazione DVCLive?

Scorrendo la documentazione di Ultralytics ed esplorando le integrazioni disponibili, ci si potrebbe chiedere: 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 il monitoraggio delle metriche e la visualizzazione dei risultati, è essenziale comprendere le qualità uniche che distinguono questa integrazione. 

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

• Minimo overhead: DVCLive è un ottimo strumento per registrare le metriche degli esperimenti senza aggiungere alcun carico computazionale o di archiviazione. Salva i log come file di testo semplice o JSON, semplificando l'integrazione nei flussi di lavoro esistenti senza dover ricorrere a servizi o database esterni.

• Integrazione nativa con DVC: costruito dal team che ha creato DVC, DVCLive funziona senza problemi con il sistema di versionamento dei dati e dei modelli di DVC. Consente inoltre agli utenti di tenere traccia delle versioni dei dataset, dei checkpoint dei modelli e delle modifiche alla pipeline, rendendolo ideale per i team che già utilizzano DVC per la riproducibilità dell'apprendimento automatico.

• Compatibile con Git: DVCLive si integra con Git, facilitando la tracciabilità delle modifiche, il confronto dei modelli e il ritorno a versioni precedenti, mantenendo i dati degli esperimenti organizzati e controllati nella versione.

Come iniziare con il DVCLive 

L'addestramento del modello Ultralytics YOLO11 con DVCLive è più semplice di quanto si possa pensare. Una volta installate e configurate le librerie necessarie, è possibile iniziare rapidamente l'addestramento 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 set di dati), la pazienza (quanto tempo aspettare prima di fermarsi 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 dettagliata del processo di formazione del modello e delle best practice, consultate la nostra documentazione per la formazione personalizzata dei modelli Ultralytics YOLO.

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

Installazione dei requisiti

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

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

‍

Una volta installati i pacchetti, è possibile configurare l'ambiente e aggiungere le credenziali necessarie per garantire il corretto funzionamento di DVCLive. L'impostazione di un repository Git è utile anche per tenere traccia del codice e di eventuali modifiche alle impostazioni di DVCLive. 

Per istruzioni dettagliate passo-passo e altri suggerimenti utili, consultate 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 aiutarvi.

Esperimento di formazione con DVCLive 

Al termine della sessione di addestramento del modello YOLO11, è possibile utilizzare gli strumenti di visualizzazione per analizzare i risultati in modo approfondito. In particolare, è possibile utilizzare l'API di DVC per estrarre i dati ed elaborarli con Pandas (una libreria Python che facilita il lavoro con i dati, organizzandoli in tabelle per l'analisi e il confronto) per facilitarne la gestione e la visualizzazione. 

Per un modo più interattivo e visivo di esplorare i risultati, si può anche provare a usare il grafico a coordinate parallele di Plotly (un tipo di grafico che mostra come i diversi parametri del modello e i risultati delle prestazioni siano collegati tra loro. 

In definitiva, è possibile utilizzare le informazioni ricavate da queste visualizzazioni per prendere decisioni migliori sull'ottimizzazione del modello, sulla regolazione degli iperparametri o su altre modifiche per aumentare le prestazioni complessive. 

Applicazioni di YOLO11 e dell'integrazione DVCLive

Dopo aver appreso come installare e visualizzare i risultati dell'allenamento YOLO11 utilizzando l'integrazione DVCLive, analizziamo alcune delle applicazioni che questa integrazione può migliorare.

Agricoltura e agricoltura di precisione

Quando si tratta di agricoltura e raccolta di prodotti alimentari, la precisione può fare una grande differenza. Ad esempio, gli agricoltori possono utilizzare il supporto di YOLO11 per il rilevamento degli oggetti e la segmentazione delle istanze per identificare potenziali malattie delle colture, seguire il bestiame e rilevare le infestazioni di parassiti. 

In particolare, YOLO11 può aiutare a cogliere i primi segnali di malattie delle piante, parassiti dannosi o animali non sani analizzando le immagini di droni o telecamere. Questi tipi di sistemi Vision AI consentono agli agricoltori di agire rapidamente per impedire che i problemi si diffondano, risparmiando tempo e riducendo le perdite.

‍

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

Analisi del comportamento del cliente nella vendita al dettaglio

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

Analizzando i video delle telecamere di sicurezza, YOLO11 è in grado di tracciare il modo in cui le persone si muovono all'interno del negozio, quali sono le aree più frequentate e come gli acquirenti interagiscono con i prodotti. Questi dati possono 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 pubblicità vengono notate. 

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

‍

Spesso i negozi al dettaglio hanno caratteristiche uniche, come le diverse condizioni di illuminazione, la disposizione e le dimensioni della folla. A causa di queste differenze, i modelli di visione computerizzata utilizzati per analizzare l'attività del negozio devono essere attentamente testati e regolati per ogni luogo per garantire l'accuratezza. Ad esempio, l'integrazione di DVCLive può aiutare a perfezionare YOLO11, rendendolo più preciso e affidabile per le applicazioni di vendita al dettaglio, consentendo una migliore comprensione del comportamento dei clienti e delle attività del negozio.

Punti di forza

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

Che si tratti di incrementare la produttività di un'azienda agricola o di migliorare l'esperienza di acquisto in un negozio, questa integrazione garantisce che i modelli Vision AI funzionino bene. Grazie al tracciamento degli esperimenti, è possibile testare, perfezionare e ottimizzare sistematicamente i modelli, migliorando continuamente l'accuratezza e le prestazioni.

Unisciti alla nostra comunità ed esplora il nostro repository GitHub per saperne di più su Vision AI e controlla le nostre opzioni di licenza per dare il via ai tuoi progetti di computer vision. Siete interessati a innovazioni come l'IA nella produzione o la computer vision nella guida autonoma? Visitate le nostre pagine dedicate alle soluzioni per saperne di più.