Acompanhamento de experiências com Ultralytics YOLO11 e DVC

Acompanhar e monitorar experimentos de visão computacional, nos quais as máquinas são treinadas para interpretar e compreender dados visuais, é fundamental para desenvolver e ajustar modelos de IA de visão como o Ultralytics YOLO11. Esses experimentos geralmente envolvem testar diferentes parâmetros importantes e registrar métricas e resultados de várias execuções de treinamento do modelo. Isso pode ajudar a analisar o desempenho do modelo e fazer melhorias orientadas por dados.

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

É exatamente isso que a integração com DVCLive, compatível com a Ultralytics, pretende fazer. O DVCLive oferece uma maneira simplificada de registrar automaticamente os detalhes dos experimentos, visualizar resultados e gerenciar o acompanhamento do desempenho dos modelos, tudo em um único fluxo de trabalho.

Neste artigo, vamos explicar como usar a integração com DVCLive durante o treinamento do Ultralytics YOLO11. Também veremos seus benefícios e como ela facilita o acompanhamento de experimentos para melhorar o desenvolvimento de modelos de IA de visão.

O que é DVCLive?#

O DVCLive, criado pelo DVC (Data Version Control), é uma ferramenta confiável de código aberto desenvolvida para acompanhar experimentos de aprendizado de máquina. A biblioteca Python do DVCLive oferece um registrador de experimentos em tempo real que permite a desenvolvedores e pesquisadores de IA acompanhar as métricas e os parâmetros dos experimentos.

Por exemplo, ele pode registrar automaticamente métricas importantes de desempenho dos modelos, comparar resultados entre execuções de treinamento e visualizar o desempenho dos modelos. Com esses recursos, o DVCLive ajuda você a manter um fluxo de trabalho de aprendizado de máquina estruturado e reproduzível.

Fig. 1. Uma rápida visão geral do painel do DVCLive para acompanhamento de experimentos.

Principais recursos do DVCLive#

A integração com DVCLive é fácil de usar e pode aprimorar seus projetos de visão computacional ao oferecer visualizações de dados claras e fáceis de entender, além de ferramentas de análise. Veja outros recursos importantes do DVCLive:

• Compatibilidade com várias estruturas: O DVCLive pode ser usado com outras estruturas populares de aprendizado de máquina. Isso facilita sua incorporação aos fluxos de trabalho existentes e o aprimoramento dos recursos de acompanhamento de experimentos.
• Gráficos interativos: Ele pode gerar automaticamente gráficos interativos a partir dos dados, oferecendo representações visuais das métricas de desempenho ao longo do tempo.
• Design leve: O DVCLive é uma biblioteca leve, flexível e acessível, que pode ser usada em diferentes projetos e ambientes.

Por que usar a integração com DVCLive?#

Ao consultar a documentação da Ultralytics e explorar as integrações disponíveis, você pode se perguntar: o que diferencia a integração com DVCLive e por que devo escolhê-la para meu fluxo de trabalho?

Como integrações como TensorBoard e MLflow também oferecem ferramentas para acompanhar métricas e visualizar resultados, é essencial entender as características exclusivas que fazem essa integração se destacar.

Veja por que o DVCLive pode ser a escolha ideal para seus projetos Ultralytics YOLO:

• Sobrecarga mínima: o DVCLive é uma ótima ferramenta para registrar métricas de experimentos com sobrecarga computacional ou de armazenamento mínima. Ele salva os registros como arquivos de texto simples ou JSON, facilitando a integração aos fluxos de trabalho existentes sem depender de serviços externos ou bancos de dados.
• Integração nativa com o DVC: Desenvolvido pela equipe por trás do DVC, o DVCLive funciona perfeitamente com o sistema de versionamento de dados e modelos do DVC. Ele também permite que os usuários acompanhem versões de conjuntos de dados, pontos de verificação de modelos e alterações em pipelines, sendo ideal para equipes que já usam o DVC para garantir a reprodutibilidade do aprendizado de máquina.
• Compatível com Git: O DVCLive integra-se ao Git, facilitando o acompanhamento de alterações, a comparação de modelos e a reversão para versões anteriores, mantendo os dados dos experimentos organizados e sob controle de versão.

Começando a usar o DVCLive#

Acompanhar o treinamento de modelos Ultralytics YOLO11 com o DVCLive é mais simples do que você imagina. Depois de instalar e configurar as bibliotecas necessárias, você pode começar rapidamente a treinar seu modelo YOLO11 de forma personalizada.

Após o treinamento, você pode ajustar configurações importantes, como épocas (o número de vezes que o modelo percorre todo o conjunto de dados), paciência (por quanto tempo esperar antes de interromper o treinamento se não houver melhora) e tamanho de imagem desejado (a resolução das imagens usadas no treinamento) para melhorar a precisão. Depois, você pode usar a ferramenta de visualização do DVCLive para comparar diferentes versões do modelo e analisar o desempenho delas.

Para entender melhor o processo de treinamento do modelo e as práticas recomendadas, consulte nossa documentação sobre treinamento personalizado de modelos Ultralytics YOLO.

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

Instalando os requisitos#

Antes de começar a treinar o YOLO11, você precisará instalar o pacote Python da Ultralytics e o DVCLive. Essa integração foi projetada para que as duas bibliotecas funcionem juntas por padrão, então você não precisa se preocupar com configurações complexas.

Todo o processo de instalação pode ser concluído em poucos minutos com um único comando usando pip, o gerenciador de pacotes para bibliotecas Python, como mostra a imagem abaixo.

Fig. 2. Instalação do Ultralytics e do DVCLive.

Depois de instalar os pacotes, você pode configurar o ambiente e adicionar as credenciais necessárias para garantir que o DVCLive funcione sem problemas. Também é útil configurar um repositório Git para acompanhar o código e quaisquer alterações nas configurações do DVCLive.

Para instruções detalhadas, passo a passo, e outras dicas úteis, confira nosso Guia de instalação. Se você tiver algum problema ao instalar os pacotes necessários, nosso Guia de problemas comuns oferece soluções e recursos para ajudar.

Treinamento de experimentos com o DVCLive#

Após concluir a sessão de treinamento do modelo Ultralytics YOLO11, você pode usar 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 Pandas (uma biblioteca Python que facilita o trabalho com dados, por exemplo, organizando-os em tabelas para análise e comparação) e, assim, facilitar o gerenciamento e a visualização.

Para explorar os resultados de forma mais interativa e visual, você também pode experimentar o gráfico de coordenadas paralelas do Plotly (um tipo de gráfico que mostra as relações entre diferentes parâmetros do modelo e os resultados de desempenho).

Por fim, você pode usar as informações obtidas com essas visualizações para tomar decisões melhores sobre a otimização do seu modelo, o ajuste de hiperparâmetros ou outras modificações para melhorar o desempenho geral.

Aplicações da integração do Ultralytics YOLO11 com o DVCLive#

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

Agricultura e agricultura de precisão#

Na agricultura e na colheita de alimentos, a precisão pode fazer uma grande diferença. Por exemplo, agricultores podem usar o suporte do Ultralytics YOLO11 à detecção de objetos e à segmentação de instâncias para identificar possíveis doenças nas plantações, monitorar o gado e detectar infestações de pragas.

Em particular, o Ultralytics YOLO11 pode ajudar a identificar os primeiros sinais de doenças nas plantas, pragas nocivas ou animais doentes por meio da análise de imagens capturadas por drones ou câmeras. Esses sistemas de IA visual permitem que os agricultores ajam rapidamente para impedir a propagação dos problemas, economizando tempo e reduzindo perdas.

Fig. 3. Exemplo do uso do YOLO11 para monitorar plantações.

Como as condições agrícolas mudam constantemente com o clima e as estações do ano, é importante testar os modelos com uma variedade de imagens para garantir que funcionem bem em diferentes situações. Usar a integração com o DVCLive para treinar o Ultralytics YOLO11 com dados personalizados para aplicações agrícolas é uma ótima maneira de acompanhar o desempenho, especialmente com conjuntos de dados diversificados.

Análise do comportamento dos clientes no varejo#

Lojas de varejo podem usar IA e visão computacional para entender o comportamento dos clientes e fazer melhorias que aprimorem a experiência de compra.

Ao analisar vídeos de câmeras de segurança, o Ultralytics YOLO11 pode acompanhar como as pessoas circulam pela loja, quais áreas recebem mais visitantes e como os clientes interagem com os produtos. Esses dados podem ser usados para criar mapas de calor que mostram quais prateleiras atraem mais atenção, quanto tempo os clientes passam em diferentes corredores e se os anúncios expostos estão sendo notados.

Com essas informações de inteligência de negócios, os lojistas podem reorganizar os produtos para aumentar as vendas, agilizar as filas do caixa e ajustar o quadro de funcionários para ajudar os clientes onde e quando mais precisam.

Fig. 4. Exemplo de mapa de calor criado com o Ultralytics YOLO11 para um shopping center.

Muitas vezes, as lojas de varejo têm características próprias, como condições de iluminação, layouts e tamanhos de público diferentes. Por causa dessas diferenças, os modelos de visão computacional usados para analisar a atividade nas lojas precisam ser testados e ajustados cuidadosamente para cada local, a fim de garantir a precisão. Por exemplo, a integração com o DVCLive pode ajudar a acompanhar as execuções de ajuste fino do Ultralytics YOLO11, facilitando a criação de modelos precisos e confiáveis para aplicações no varejo e oferecendo melhores informações sobre o comportamento dos clientes e as operações das lojas.

Principais conclusões#

Treinar o Ultralytics YOLO11 com dados personalizados usando a integração com o DVCLive facilita o acompanhamento e o aprimoramento dos experimentos de visão computacional. A integração registra automaticamente detalhes importantes, apresenta resultados visuais claros e ajuda a comparar diferentes versões do modelo.

Seja para aumentar a produtividade agrícola ou melhorar a experiência de compra em uma loja, essa integração ajuda você a verificar se os modelos de AI de visão têm bom desempenho. Com o acompanhamento de experimentos, você pode testar, refinar e otimizar seus modelos de forma sistemática, promovendo melhorias contínuas na precisão e no desempenho.

Participe da nossa comunidade e explore nosso repositório do GitHub para saber mais sobre IA visual, e confira nossas opções de licenciamento para dar início aos seus projetos de visão computacional. Tem interesse em inovações como IA na manufatura ou visão computacional em veículos autônomos? Acesse nossas páginas de soluções para saber mais.