Monitoraggio degli esperimenti con Ultralytics YOLO11 e DVC

Il monitoraggio e il controllo degli esperimenti di visione artificiale, in cui le macchine vengono addestrate a interpretare e comprendere i dati visivi, sono fondamentali per sviluppare e perfezionare modelli di IA per la visione come Ultralytics YOLO11. Questi esperimenti prevedono spesso di provare diversi parametri chiave e registrare metriche e risultati di più esecuzioni di addestramento del modello. Questo permette di analizzare le prestazioni del modello e apportare miglioramenti basati sui dati.

Senza un sistema ben definito di tracciamento degli esperimenti, confrontare i risultati e apportare modifiche ai modelli può diventare complicato e causare errori. Automatizzare questo processo è un’ottima soluzione che può garantire maggiore coerenza.

È proprio questo l’obiettivo dell’integrazione con DVCLive supportata da Ultralytics. DVCLive offre un modo semplice 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 usare l’integrazione con DVCLive durante l’addestramento di Ultralytics YOLO11. Esamineremo anche i vantaggi di questa integrazione 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 (Data Version Control), è uno strumento affidabile e open source progettato per monitorare gli esperimenti di apprendimento automatico. La libreria Python DVCLive offre un sistema di registrazione degli esperimenti in tempo reale che consente agli sviluppatori e ai ricercatori di IA di monitorare le metriche e i parametri dei propri esperimenti.

Per esempio, può registrare automaticamente le metriche chiave delle prestazioni del modello, confrontare i risultati delle diverse esecuzioni 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.

Funzionalità principali di DVCLive#

L’integrazione con DVCLive è facile da usare e può migliorare i tuoi progetti di visione artificiale grazie a strumenti di analisi e visualizzazione dei dati chiari e facili da comprendere. Ecco altre funzionalità principali di DVCLive:

• Supporto per vari framework: DVCLive può essere usato con altri framework diffusi di apprendimento automatico. Questo ne facilita l’integrazione nei flussi di lavoro esistenti e il potenziamento delle funzionalità di monitoraggio degli esperimenti.
• Grafici interattivi: Può generare automaticamente grafici interattivi a partire dai dati, offrendo rappresentazioni visive delle metriche delle prestazioni nel tempo.
• Design leggero: DVCLive è una libreria leggera, flessibile e accessibile, utilizzabile in progetti e ambienti diversi.

Perché dovresti usare l’integrazione con DVCLive?#

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

Dato che integrazioni come TensorBoard e MLflow offrono anch’esse strumenti per monitorare le metriche e visualizzare i risultati, è essenziale capire quali caratteristiche rendono questa integrazione diversa.

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 con un overhead computazionale o di archiviazione minimo. Salva i log come file di testo semplice o JSON, semplificandone l’integrazione nei flussi di lavoro esistenti senza dipendere da servizi o database esterni.
• Integrazione nativa con DVC: Creato dal team che ha sviluppato DVC, DVCLive funziona perfettamente con il sistema di versionamento dei dati e dei modelli di DVC. Consente inoltre agli utenti di monitorare le versioni dei dataset, i checkpoint dei modelli e le modifiche alle pipeline, risultando ideale per i team che già usano DVC per garantire la riproducibilità dell’apprendimento automatico.
• Compatibile con Git: DVCLive si integra con Git, facilitando il monitoraggio delle modifiche, il confronto tra modelli e il ripristino delle versioni precedenti, mantenendo al contempo i dati degli esperimenti organizzati e sotto controllo di versione.

Per iniziare con 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 ad addestrare su misura il tuo modello YOLO11.

Dopo l’addestramento, puoi modificare impostazioni chiave come le epoche (il numero di volte in cui il modello elabora l’intero dataset), la pazienza (per quanto tempo attendere prima di interrompere l’addestramento se non ci sono miglioramenti) e la dimensione dell’immagine di destinazione (la risoluzione delle immagini usate per l’addestramento) per migliorare la precisione. Puoi quindi usare lo strumento di visualizzazione di DVCLive per confrontare diverse versioni del modello e analizzarne le prestazioni.

Per comprendere meglio il processo di addestramento del modello e le procedure consigliate, consulta la nostra documentazione sull’addestramento personalizzato dei modelli Ultralytics YOLO.

Vediamo ora come installare e usare l’integrazione con DVCLive durante l’addestramento personalizzato di Ultralytics YOLO11.

Installazione dei requisiti#

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

L’intera procedura di installazione può essere completata in un paio di minuti con un unico comando usando pip, il gestore di pacchetti per le librerie Python, come mostrato nell’immagine qui sotto.

Fig. 2. Installazione di Ultralytics e DVCLive.

Una volta installati i pacchetti, puoi configurare l’ambiente e aggiungere le credenziali necessarie per assicurarti che DVCLive funzioni senza problemi. Configurare un repository Git è utile anche per tenere traccia del codice e delle modifiche alle impostazioni di DVCLive.

Per istruzioni dettagliate passo passo e altri consigli utili, consulta la nostra Guida all’installazione. Se riscontri problemi durante l’installazione dei pacchetti necessari, la nostra Guida ai problemi comuni offre soluzioni e risorse per aiutarti.

Addestramento di esperimenti con DVCLive#

Al termine della sessione di addestramento del tuo modello Ultralytics YOLO11, puoi usare gli strumenti di visualizzazione per analizzare i risultati in dettaglio. In particolare, puoi usare l’API di DVC per estrarre i dati ed elaborarli con pandas (una libreria Python che semplifica l’uso dei dati, ad esempio organizzandoli in tabelle per l’analisi e il confronto), così da gestirli e visualizzarli più facilmente.

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

Infine, puoi usare 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 dell’integrazione tra Ultralytics YOLO11 e DVCLive#

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

Agricoltura e agricoltura di precisione#

Nell’agricoltura e nella raccolta dei prodotti alimentari, la precisione può fare una grande differenza. Per esempio, gli agricoltori possono usare 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 le infestazioni di parassiti.

In particolare, Ultralytics YOLO11 può aiutare a individuare i primi segnali di malattie delle piante, parassiti nocivi o animali in cattive condizioni di salute, analizzando le immagini riprese da droni o telecamere. Questi sistemi di intelligenza artificiale visiva permettono agli agricoltori di intervenire rapidamente per impedire 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 con il tempo e le stagioni, è importante testare i modelli su immagini diverse per assicurarsi che funzionino bene in varie situazioni. Usare l’integrazione con DVCLive per addestrare Ultralytics YOLO11 su misura per le applicazioni agricole è un ottimo modo per monitorarne le prestazioni, soprattutto con set di dati eterogenei.

Analisi del comportamento dei clienti nel commercio al dettaglio#

I negozi al dettaglio possono usare l’intelligenza artificiale e la visione artificiale 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 gli spostamenti delle persone nel negozio, individuare le aree più frequentate e osservare come i clienti interagiscono con i prodotti. Questi dati possono poi essere usati per creare mappe di calore che mostrino quali scaffali attirano maggiormente l’attenzione, quanto tempo i clienti trascorrono nei diversi corridoi e se notano gli espositori pubblicitari.

Grazie a queste informazioni, 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.

I negozi al dettaglio presentano spesso caratteristiche specifiche, come condizioni di illuminazione, layout e affluenza variabili. A causa di queste differenze, i modelli di visione artificiale usati per analizzare l’attività dei negozi devono essere testati e adattati con attenzione a ogni sede per garantirne la precisione. Per esempio, l’integrazione con DVCLive può aiutare a monitorare le esecuzioni di ottimizzazione fine di Ultralytics YOLO11, facilitando la creazione di modelli precisi e affidabili per il settore retail e offrendo informazioni migliori sul comportamento dei clienti e sulle operazioni dei negozi.

Punti chiave#

Addestrare Ultralytics YOLO11 su misura usando l’integrazione con DVCLive semplifica il monitoraggio e il miglioramento dei tuoi esperimenti di visione artificiale. Registra automaticamente i dettagli importanti, mostra risultati visivi chiari e ti aiuta a confrontare versioni diverse del modello.

Che tu voglia aumentare la produttività agricola o migliorare l’esperienza di acquisto in un negozio, questa integrazione ti aiuta a verificare che i tuoi modelli di AI visiva funzionino bene. Con il tracciamento degli esperimenti puoi testare, perfezionare e ottimizzare sistematicamente i tuoi modelli, migliorandone continuamente precisione e prestazioni.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull’intelligenza artificiale visiva; consulta anche le nostre opzioni di licenza per dare il via ai tuoi progetti di visione artificiale. Ti interessano innovazioni come l’intelligenza artificiale nella produzione o la visione artificiale nei veicoli a guida autonoma? Visita le nostre pagine dedicate alle soluzioni per saperne di più.