Rastreamento de experimentos com Ultralytics YOLO11 e DVC

Rastrear e monitorar experimentos de computer vision, onde máquinas são treinadas para interpretar e entender dados visuais, é uma parte crucial do desenvolvimento e ajuste fino de modelos de IA de visão como o Ultralytics YOLO11. Esses experimentos frequentemente envolvem testar diferentes parâmetros-chave e registrar métricas e resultados de várias execuções de treinamento de modelos. Fazer isso pode ajudar a analisar o desempenho do modelo e fazer melhorias baseadas em dados no modelo.

Sem um sistema de rastreamento de experimentos bem definido, comparar resultados e fazer alterações nos modelos pode se tornar complicado e levar a erros. Na verdade, automatizar esse processo é uma ótima opção que pode garantir melhor consistência.

É exatamente isso que a DVCLive integration suportada pelo Ultralytics visa fazer. O DVCLive fornece uma maneira simplificada de registrar automaticamente detalhes de experimentos, visualizar resultados e gerenciar o rastreamento de desempenho do modelo, tudo dentro de um único fluxo de trabalho.

Neste artigo, discutiremos como usar a integração do DVCLive ao treinar o Ultralytics YOLO11. Também daremos uma olhada em seus benefícios e em como ele facilita o rastreamento de experimentos para um melhor desenvolvimento de vision AI model.

O que é o DVCLive?#

O DVCLive, criado pelo DVC (Data Version Control), é uma ferramenta open-source confiável projetada para rastrear experimentos de machine learning. A biblioteca Python DVCLive oferece um logger de experimentos em tempo real que possibilita aos desenvolvedores e pesquisadores de IA rastrear as métricas e parâmetros de seus experimentos.

Por exemplo, ele pode registrar automaticamente métricas importantes de desempenho do modelo, comparar resultados entre execuções de treinamento e visualizar o desempenho do modelo. Esses recursos permitem que o DVCLive ajude você a manter um fluxo de trabalho de machine learning estruturado e reproduzível.

Fig 1. Uma rápida olhada no painel do DVCLive para rastreamento de experimentos.

Principais recursos do DVCLive#

A integração do DVCLive é fácil de usar e pode melhorar seus projetos de visão computacional, fornecendo data visualizations e ferramentas de análise claras e fáceis de entender. Aqui estão alguns outros recursos importantes do DVCLive:

• Suporta várias estruturas: O DVCLive pode ser usado com outras estruturas populares de machine learning. Isso torna direta a incorporação em fluxos de trabalho existentes e a melhoria dos recursos de rastreamento de experimentos.

• Gráficos interativos: Ele pode ser usado para gerar automaticamente gráficos interativos a partir de dados, fornecendo representações visuais de métricas de desempenho ao longo do tempo.

• Design leve: O DVCLive é uma biblioteca leve, flexível e acessível, pois pode ser usada em diferentes projetos e ambientes.

Por que você deveria usar a integração DVCLive?#

À medida que você navega pela Ultralytics documentation e explora as integrations disponíveis, você pode se pegar perguntando: O que diferencia a integração do DVCLive e por que devo escolhê-la para o meu fluxo de trabalho?

Com integrações como TensorBoard e MLflow que também fornecem ferramentas para rastrear métricas e visualizar resultados, é essencial entender as qualidades únicas que fazem esta integração se destacar.

Aqui está o porquê de o DVCLive ser uma escolha ideal para seus projetos Ultralytics YOLO:

• Sobrecarga mínima: O DVCLive é uma ótima ferramenta para registrar métricas de experimentos sem adicionar qualquer carga computacional ou de armazenamento extra. Ele salva logs como texto simples ou arquivos JSON, tornando fácil a integração em fluxos de trabalho existentes sem depender de serviços ou bancos de dados externos.

• Integração nativa com DVC: Construído pela equipe por trás do DVC, o DVCLive funciona perfeitamente com o sistema de controle de versão de dados e modelos do DVC. Ele também permite que os usuários rastreiem versões de conjuntos de dados, checkpoints de modelos e alterações de pipeline, tornando-o ideal para equipes que já usam DVC para reprodutibilidade de machine learning.

• Compatível com Git: O DVCLive integra-se ao Git, tornando fácil rastrear alterações, comparar modelos e reverter para versões anteriores, mantendo os dados do experimento organizados e com controle de versão.

Começando com o DVCLive#

Rastrear o treinamento de modelos Ultralytics YOLO11 com DVCLive é mais simples do que você imagina. Uma vez que as bibliotecas necessárias estejam instaladas e configuradas, você pode começar rapidamente a treinar seu modelo YOLO11 de forma personalizada.

Após o treinamento, você pode ajustar configurações principais como épocas (o número de vezes que o modelo passa por todo o conjunto de dados), paciência (quanto tempo esperar antes de parar se não houver melhoria) e o tamanho da imagem de destino (a resolução das imagens usadas para treinamento) para melhorar a precisão. Então, você pode usar a ferramenta de visualização do DVCLive para comparar diferentes versões do seu modelo e analisar seu desempenho.

Para uma compreensão mais detalhada do processo de treinamento de modelo e das melhores práticas, confira nossa documentação para custom-training de modelos Ultralytics YOLO.

A seguir, vamos ver como instalar e usar a integração com o DVCLive durante o treinamento personalizado do Ultralytics YOLO11.

Instalando os requisitos#

Antes de começar a treinar o YOLO11, você precisará instalar tanto o Ultralytics Python package quanto o DVCLive. Esta integração foi projetada de tal forma que ambas as bibliotecas funcionam juntas perfeitamente por padrão, então você não precisa se preocupar com configurações complexas.

Todo o processo de instalação pode ser concluído em apenas alguns minutos com um único comando pip, que é uma ferramenta de gerenciamento de pacotes para instalar bibliotecas Python, como mostrado na imagem abaixo.

Fig 2. Instalando Ultralytics e DVCLive.

Uma vez instalados os pacotes, você pode configurar seu ambiente e adicionar as credenciais necessárias para garantir que o DVCLive funcione sem problemas. Configurar um repositório Git também é útil para manter o controle do seu código e de quaisquer alterações nas suas configurações do DVCLive.

Para instruções detalhadas passo a passo e outras dicas úteis, confira nosso Installation Guide. Caso você encontre algum problema ao instalar os pacotes necessários, nosso Common Issues Guide tem soluções e recursos para te ajudar.

Treinamento de experimento usando DVCLive#

Após a conclusão da sessão de treinamento do teu modelo Ultralytics YOLO11, podes usar as ferramentas de visualização para analisar os resultados em profundidade. Especificamente, podes usar a API do DVC para extrair os dados e processá-los com pandas (uma biblioteca Python que facilita o trabalho com dados, como organizá-los em tabelas para análise e comparação) para um manuseio e visualização mais fáceis.

Para uma maneira mais interativa e visual de explorar seus resultados, você também pode tentar usar o gráfico de coordenadas paralelas do Plotly (um tipo de gráfico que mostra como diferentes parâmetros do modelo e resultados de desempenho estão conectados).

Em última análise, você pode usar os insights dessas visualizações para tomar melhores decisões sobre a otimização do seu modelo, ajuste de hiperparâmetros ou fazer outras modificações para aumentar seu desempenho geral.

Aplicações do Ultralytics YOLO11 e da integração com o DVCLive#

Agora que aprendeste a instalar e visualizar os resultados de treino do Ultralytics YOLO11 utilizando a integração do DVCLive, vamos explorar algumas das aplicações que esta integração pode potenciar.

Agricultura e agricultura de precisão#

Quando se trata de agricultura e colheita de culturas para alimentação, a precisão pode fazer uma enorme diferença. Por exemplo, os agricultores podem utilizar o suporte do Ultralytics YOLO11 para object detection e segmentação de instâncias para identificar potenciais doenças nas culturas, monitorizar o gado e detetar infestações de pragas.

Em particular, o Ultralytics YOLO11 pode ajudar a detetar sinais precoces de doenças nas plantas, pragas nocivas ou animais doentes através da análise de imagens obtidas por drones ou câmaras. Estes tipos de sistemas de visão IA permitem aos agricultores agir rapidamente para impedir a propagação de problemas, poupando tempo e reduzindo perdas.

Fig 3. Um exemplo de uso do YOLO11 para monitorar plantações.

Uma vez que as condições agrícolas mudam constantemente com o clima e as estações, é importante testar os modelos numa variedade de imagens para garantir que funcionam bem em diferentes situações. Utilizar a integração do DVCLive para treinar de forma personalizada o Ultralytics YOLO11 para aplicações agrícolas é uma excelente forma de monitorizar o seu desempenho, especialmente com conjuntos de dados diversos.

Análise de comportamento do cliente no varejo#

As lojas de varejo podem usar IA e visão computacional para entender o comportamento do cliente e fazer melhorias para aprimorar a experiência de compra.

Ao analisar vídeos de câmaras de segurança, o Ultralytics YOLO11 consegue monitorizar a forma como as pessoas se movimentam pela loja, quais as áreas que recebem mais tráfego pedonal e como os compradores interagem com os produtos. Estes dados podem depois ser utilizados para criar mapas de calor que mostram quais as prateleiras que atraem mais atenção, quanto tempo os clientes passam em diferentes corredores e se os expositores de publicidade estão a ser notados.

Com essa inteligência de negócios, os lojistas podem reorganizar os produtos para aumentar as vendas, acelerar as filas de checkout e ajustar a equipe para atender os clientes onde e quando eles mais precisam.

Fig 4. Um exemplo de um mapa de calor criado com o Ultralytics YOLO11 para um centro comercial.

Muitas vezes, as lojas de retalho têm características únicas, tais como condições de iluminação variáveis, layouts e dimensões de público. Devido a estas diferenças, os modelos de visão computacional utilizados para analisar a atividade na loja precisam de ser cuidadosamente testados e ajustados para cada localização de modo a garantir a precisão. Por exemplo, a integração do DVCLive pode ajudar a afinar o Ultralytics YOLO11, tornando-o mais preciso e fiável para aplicações de retalho, permitindo obter melhores percepções sobre o comportamento do cliente e as operações da loja.

Principais pontos#

O treino personalizado do Ultralytics YOLO11 em simultâneo com a utilização da integração do DVCLive facilita o seguimento e a melhoria dos teus experimentos de visão computacional. Regista automaticamente detalhes importantes, apresenta resultados visuais claros e ajuda-te a comparar diferentes versões do teu modelo.

Se você está tentando aumentar a produtividade agrícola ou melhorar a experiência de compra em uma loja, esta integração garante que seus modelos de visão AI tenham um bom desempenho. Com o rastreamento de experimentos, você pode testar, refinar e otimizar sistematicamente seus modelos, levando a melhorias contínuas na precisão e no desempenho.

Junte-se a our community e explore nosso GitHub repository para saber mais sobre IA de visão, e confira our licensing options para dar o pontapé inicial em seus projetos de visão computacional. Tem interesse em inovações como AI in manufacturing ou computer vision in self-driving? Visite nossas páginas de soluções para descobrir mais.