Rastreamento de experimentos com Ultralytics YOLO11 e DVC

O rastreamento e monitoramento de experimentos de visão computacional, onde máquinas são treinadas para interpretar e compreender dados visuais, é uma parte crucial do desenvolvimento e ajuste fino de modelos de visão AI, como o Ultralytics YOLO11. Esses experimentos geralmente envolvem testar diferentes parâmetros-chave e registrar métricas e resultados de múltiplas execuções de treinamento de modelos. Fazer isso pode ajudar a analisar o desempenho do modelo e realizar 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 integração DVCLive suportada pela Ultralytics visa fazer. O DVCLive oferece 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 DVCLive ao treinar o Ultralytics YOLO11. Também daremos uma olhada em seus benefícios e como ele facilita o rastreamento de experimentos para um melhor desenvolvimento de modelos de visão AI.

Link to this sectionO 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 visão rápida do painel do DVCLive para rastreamento de experimentos.

Link to this sectionPrincipais recursos do DVCLive#

A integração DVCLive é fácil de usar e pode melhorar seus projetos de visão computacional, fornecendo visualizações de dados 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.

Link to this sectionPor que você deveria usar a integração DVCLive?#

À medida que você percorre a documentação da Ultralytics e explora as integrações disponíveis, você pode se perguntar: O que diferencia a integração DVCLive e por que devo escolhê-la para meu fluxo de trabalho?

Com integrações como TensorBoard e MLflow, que também oferecem 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.

Link to this sectionComeçando 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 modelos e das melhores práticas, confira nossa documentação para treinamento personalizado de modelos Ultralytics YOLO.

A seguir, vamos percorrer como instalar e usar a integração DVCLive enquanto treina o YOLO11 de forma personalizada.

Link to this sectionInstalando os requisitos#

Antes de começar a treinar o YOLO11, você precisará instalar tanto o pacote Python da Ultralytics 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 passo a passo detalhadas e outras dicas úteis, confira nosso Guia de Instalação. Caso você encontre algum problema durante a instalação dos pacotes necessários, nosso Guia de Problemas Comuns tem soluções e recursos para te ajudar.

Link to this sectionTreinamento de experimento usando DVCLive#

Após a conclusão da sua sessão de treinamento do modelo YOLO11, você pode usar as ferramentas de visualização para analisar os resultados em profundidade. Especificamente, você pode usar a API do DVC para extrair os dados e processá-los com o 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.

Link to this sectionAplicações do YOLO11 e da integração DVCLive#

Agora que aprendemos como instalar e visualizar os resultados do treinamento do YOLO11 usando a integração DVCLive, vamos explorar algumas das aplicações que essa integração pode aprimorar.

Link to this sectionAgricultura e agricultura de precisão#

Quando se trata de agricultura e colheita de alimentos, a precisão pode fazer uma enorme diferença. Por exemplo, os agricultores podem usar o suporte do YOLO11 para detecção de objetos e segmentação de instâncias para identificar possíveis doenças nas plantações, rastrear o gado e detectar infestações de pragas.

Em particular, o YOLO11 pode ajudar a detectar sinais precoces de doenças nas plantas, pragas prejudiciais ou animais doentes, analisando imagens de drones ou câmeras. Esses tipos de sistemas de visão AI permitem que os agricultores ajam rapidamente para impedir que os problemas se espalhem, economizando tempo e reduzindo perdas.

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

Como as condições da fazenda mudam constantemente com o clima e as estações, é importante testar os modelos em uma variedade de imagens para garantir que eles tenham um bom desempenho em diferentes situações. Usar a integração DVCLive para treinamento personalizado do YOLO11 para aplicações agrícolas é uma ótima maneira de acompanhar seu desempenho, especialmente com conjuntos de dados diversos.

Link to this sectionAnálise 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 câmeras de segurança, o YOLO11 pode rastrear como as pessoas se movem pela loja, quais áreas recebem mais tráfego de pedestres e como os compradores interagem com os produtos. Esses dados podem então ser usados para criar mapas de calor para mostrar quais prateleiras atraem mais atenção, quanto tempo os clientes passam em diferentes corredores e se os displays de propaganda estão sendo 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 usando o YOLO11 para um shopping center.

Muitas vezes, as lojas de varejo têm características únicas, como condições de iluminação, layouts e tamanhos de público variados. Devido a essas diferenças, os modelos de visão computacional usados para analisar a atividade da loja precisam ser cuidadosamente testados e ajustados para cada local para garantir precisão. Por exemplo, a integração DVCLive pode ajudar a ajustar o YOLO11, tornando-o mais preciso e confiável para aplicações de varejo, permitindo melhores insights sobre o comportamento do cliente e operações da loja.

Link to this sectionPrincipais pontos#

Treinar o YOLO11 de forma personalizada ao usar a integração DVCLive torna mais fácil rastrear e melhorar seus experimentos de visão computacional. Ele registra automaticamente detalhes importantes, mostra resultados visuais claros e ajuda você a comparar diferentes versões do seu 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 à nossa comunidade e explore nosso repositório GitHub para aprender mais sobre visão AI, e confira nossas opções de licenciamento para dar o pontapé inicial em seus projetos de visão computacional. Interessado em inovações como IA na manufatura ou visão computacional em direção autônoma? Visite nossas páginas de soluções para descobrir mais.