25 de fevereiro de 2025
Saiba como pode utilizar o acompanhamento de experiências para otimizar as suas experiências Ultralytics YOLO11 com a integração DVC para um melhor desempenho do modelo.
.webp)
Acompanhar e monitorizar experiências de visão computacional, em que as máquinas são treinadas para interpretar e compreender dados visuais, é uma parte crucial do desenvolvimento e aperfeiçoamento de modelos de IA de visão como o Ultralytics YOLO11. Estas experiências envolvem frequentemente o teste de diferentes parâmetros-chave e o registo de métricas e resultados de várias execuções de treino do modelo. Isso pode ajudar a analisar o desempenho do modelo e fazer melhorias orientadas por dados no modelo.
Sem um sistema de controlo de experiências bem definido, comparar resultados e fazer alterações aos modelos pode tornar-se complicado e conduzir a erros. De facto, a automatização deste processo é uma excelente opção que pode garantir uma melhor consistência.
É exatamente isso que a integração do DVCLive suportada pelo Ultralytics pretende fazer. O DVCLive fornece uma forma simplificada de registar automaticamente os detalhes da experiência, visualizar os resultados e gerir o acompanhamento do desempenho do modelo, tudo num único fluxo de trabalho.
Neste artigo, discutiremos como usar a integração DVCLive durante o treinamento do Ultralytics YOLO11. Também analisaremos os seus benefícios e a forma como facilita o acompanhamento de experiências para um melhor desenvolvimento do modelo Vision AI .
O DVCLive, criado pelo DVC (Data Version Control), é uma ferramenta fiável de código aberto concebida para acompanhar experiências de aprendizagem automática. A biblioteca DVCLive Python fornece um registador de experiências em tempo real que permite aos programadores e investigadores de IA seguir as métricas e os parâmetros das suas experiências.
Por exemplo, ele pode registrar automaticamente as principais métricas de desempenho do modelo, comparar resultados entre execuções de treinamento e visualizar o desempenho do modelo. Estas funcionalidades permitem que o DVCLive o ajude a manter um fluxo de trabalho de aprendizagem automática estruturado e reproduzível.
A integração do DVCLive é fácil de utilizar e pode melhorar os seus projectos de visão computacional, fornecendo visualizações de dados e ferramentas de análise claras e fáceis de compreender. Aqui estão algumas outras caraterísticas-chave do DVCLive:
À medida que percorre a documentação do Ultralytics e explora as integrações disponíveis, pode dar por si a perguntar: O que distingue a integração DVCLive e porque é que a devo escolher para o meu fluxo de trabalho?
Com integrações como o TensorBoard e o MLflow, que também fornecem ferramentas para acompanhar métricas e visualizar resultados, é essencial compreender as qualidades únicas que fazem com que esta integração se destaque.
Eis por que razão o DVCLive pode ser a escolha ideal para os seus projectos Ultralytics YOLO:
O rastreamento do treinamento do modelo Ultralytics YOLO11 com o DVCLive é mais simples do que se imagina. Uma vez instaladas e configuradas as bibliotecas necessárias, pode começar rapidamente a treinar o seu modelo YOLO11 de forma personalizada.
Após o treinamento, é possível ajustar as 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 tamanho da imagem de destino (a resolução das imagens usadas para treinamento) para melhorar a precisão. Em seguida, pode utilizar a ferramenta de visualização do DVCLive para comparar diferentes versões do seu modelo e analisar o seu desempenho.
Para uma compreensão mais detalhada do processo de formação de modelos e das melhores práticas, consulte a nossa documentação sobre a formação personalizada dos modelos Ultralytics YOLO.
De seguida, vamos explicar como instalar e utilizar a integração DVCLive durante o treino personalizado do YOLO11.
Antes de poder começar a treinar o YOLO11, terá de instalar o pacote Ultralytics Python e o DVCLive. Esta integração foi concebida de forma a que ambas as bibliotecas funcionem em conjunto sem problemas por defeito, pelo que não precisa de 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 gestão de pacotes para instalar bibliotecas Python, como mostra a imagem abaixo.
Depois de ter instalado os pacotes, pode configurar o seu ambiente e adicionar as credenciais necessárias para garantir que o DVCLive funciona sem problemas. A configuração de um repositório Git também é útil para manter o controlo do seu código e de quaisquer alterações às definições do DVCLive.
Para obter instruções detalhadas passo a passo e outras dicas úteis, consulte o nosso Guia de instalação. Caso se depare com problemas durante a instalação dos pacotes necessários, o nosso Guia de Problemas Comuns tem soluções e recursos para o ajudar.
Após a conclusão da sessão de treino do modelo YOLO11, pode utilizar as ferramentas de visualização para analisar os resultados em profundidade. Especificamente, pode utilizar 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 facilitar o manuseamento e a visualização.
Para uma forma mais interactiva e visual de explorar os seus resultados, também pode tentar utilizar o gráfico de coordenadas paralelas do Plotly (um tipo de gráfico que mostra como os diferentes parâmetros do modelo e os resultados de desempenho estão ligados).
Em última análise, pode utilizar as informações destas visualizações para tomar melhores decisões sobre a otimização do seu modelo, a afinação de hiperparâmetros ou outras modificações para melhorar o seu desempenho geral.
Agora que aprendemos a instalar e a visualizar os resultados do treino YOLO11 utilizando a integração DVCLive, vamos explorar algumas das aplicações que esta integração pode melhorar.
No que diz respeito à agricultura e à colheita de alimentos, a precisão pode fazer uma enorme diferença. Por exemplo, os agricultores podem utilizar o suporte do YOLO11 para deteção de objectos e segmentação de instâncias para identificar potenciais doenças das culturas, seguir o gado e detetar infestações de pragas.
Em particular, o YOLO11 pode ajudar a detetar sinais precoces de doenças das plantas, pragas nocivas ou animais pouco saudáveis, analisando imagens de drones ou câmaras. Estes tipos de sistemas de IA de visão permitem que os agricultores actuem rapidamente para impedir a propagação dos problemas, poupando tempo e reduzindo as perdas.
Uma vez que as condições agrícolas mudam constantemente com o tempo e as estações, é importante testar modelos numa variedade de imagens para garantir que têm um bom desempenho em diferentes situações. A utilização da integração DVCLive para treinar o YOLO11 de forma personalizada para aplicações agrícolas é uma óptima forma de acompanhar o seu desempenho, especialmente com diversos conjuntos de dados.
As lojas de retalho podem utilizar a IA e a visão por computador para compreender o comportamento dos clientes e efetuar melhorias para melhorar a experiência de compra.
Ao analisar os vídeos das câmaras de segurança, o YOLO11 pode seguir a forma como as pessoas se movimentam na loja, quais as áreas com maior 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 chamam mais a atenção, quanto tempo os clientes passam nos diferentes corredores e se os expositores de publicidade estão a ser notados.
Com esta inteligência comercial, os proprietários de lojas podem reorganizar os produtos para aumentar as vendas, acelerar as filas de caixa e ajustar o pessoal para ajudar os clientes onde e quando mais precisam.
Muitas vezes, as lojas de varejo têm caraterísticas exclusivas, como condições de iluminação, layouts e tamanhos de multidão variados. Devido a estas diferenças, os modelos de visão por computador utilizados para analisar a atividade da loja têm de ser cuidadosamente testados e ajustados a cada local para garantir a precisão. Por exemplo, a integração do DVCLive pode ajudar a afinar o YOLO11, tornando-o mais preciso e fiável para aplicações de retalho, permitindo uma melhor perceção do comportamento do cliente e das operações da loja.
O treino personalizado do YOLO11 enquanto utiliza a integração DVCLive facilita o acompanhamento e a melhoria das suas experiências de visão computacional. Regista automaticamente detalhes importantes, mostra resultados visuais claros e ajuda-o a comparar diferentes versões do seu modelo.
Quer esteja a tentar aumentar a produtividade das explorações agrícolas ou a melhorar a experiência de compra numa loja, esta integração garante um bom desempenho dos seus modelos Vision AI. Com o acompanhamento de experiências, pode testar, aperfeiçoar e otimizar sistematicamente os seus modelos, conduzindo a melhorias contínuas na precisão e no desempenho.
Junte-se à nossa comunidade e explore o nosso repositório GitHub para saber mais sobre a IA de visão e verifique as nossas opções de licenciamento para iniciar os seus projectos de visão computacional. Interessado em inovações como a IA no fabrico ou a visão computacional na condução autónoma? Visite nossas páginas de soluções para saber mais.
.webp)
