25 de fevereiro de 2025
Descubra como você pode usar o rastreamento de experimentos para otimizar seus experimentos Ultralytics YOLO11 com a integração DVC para um melhor desempenho do modelo.
.webp)
O rastreamento e monitoramento de experimentos de visão computacional, onde as máquinas são treinadas para interpretar e entender dados visuais, é uma parte crucial do desenvolvimento e ajuste fino de modelos de Visão de IA como o Ultralytics YOLO11. Esses experimentos geralmente envolvem testar diferentes parâmetros-chave e registrar métricas e resultados de várias execuções de treinamento do modelo. Fazer isso pode ajudar a analisar o desempenho do modelo e fazer melhorias orientadas por 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 uma melhor consistência.
É exatamente isso que a integração DVCLive suportada pela Ultralytics tem como objetivo fazer. O DVCLive fornece uma maneira simplificada de registrar automaticamente os detalhes do experimento, visualizar os resultados e gerenciar o rastreamento do desempenho do modelo, tudo dentro de um único fluxo de trabalho.
Neste artigo, discutiremos como usar a integração DVCLive durante o treinamento do Ultralytics YOLO11. Também veremos seus benefícios e como ele facilita o rastreamento de experimentos para um melhor desenvolvimento de modelos de Vision AI.
DVCLive, criado por DVC (Data Version Control), é uma ferramenta de código aberto confiável projetada para rastrear experimentos de aprendizado de máquina. A biblioteca DVCLive Python fornece um logger de experimento em tempo real que torna possível para desenvolvedores e pesquisadores de IA rastrear as métricas e os parâmetros de seus experimentos.
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. Esses recursos permitem que o DVCLive ajude você a manter um fluxo de trabalho de aprendizado de máquina estruturado e reproduzível.
A integração do 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:
Ao consultar a documentação da Ultralytics e explorar as integrações disponíveis, você pode se perguntar: O que diferencia a integração do DVCLive e por que devo escolhê-la para o meu fluxo de trabalho?
Com integrações como o TensorBoard e o MLflow, que também fornecem ferramentas para rastrear métricas e visualizar resultados, é essencial entender as qualidades únicas que fazem essa integração se destacar.
Aqui está por que o DVCLive pode ser uma escolha ideal para seus projetos Ultralytics YOLO:
Rastrear o treinamento do modelo Ultralytics YOLO11 com DVCLive é mais simples do que você imagina. Depois que as bibliotecas necessárias são instaladas e configuradas, você pode começar rapidamente a treinar seu modelo YOLO11 personalizado.
Após o treinamento, você pode ajustar configurações importantes como epochs (o número de vezes que o modelo percorre todo o conjunto de dados), patience (quanto tempo esperar antes de parar se não houver melhoria) e target image size (a resolução das imagens usadas para treinamento) para melhorar a precisão. Em seguida, 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 do modelo e das melhores práticas, consulte nossa documentação para treinamento personalizado de modelos Ultralytics YOLO.
Em seguida, vamos explicar como instalar e usar a integração DVCLive durante o treinamento personalizado do YOLO11.
Antes de começar a treinar o YOLO11, você precisará instalar o pacote Python Ultralytics e 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.
Após instalar 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, consulte nosso Guia de Instalação. Caso você encontre algum problema ao instalar os pacotes necessários, nosso Guia de Problemas Comuns tem soluções e recursos para ajudá-lo.
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 Pandas (uma biblioteca Python que facilita o trabalho com dados, como organizá-los em tabelas para análise e comparação) para facilitar o manuseio e a visualização.
Para uma forma mais interativa e visual de explorar seus resultados, você também pode experimentar 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 de seu modelo, ajuste de hiperparâmetros ou fazer outras modificações para impulsionar seu desempenho geral.
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.
Quando se trata de agricultura e colheita de culturas para alimentação, a precisão pode fazer uma grande diferença. Por exemplo, os agricultores podem usar o suporte do YOLO11 para deteção de objetos e segmentação de instâncias para identificar potenciais doenças das culturas, rastrear o gado e detetar infestações de pragas.
Em particular, o YOLO11 pode ajudar a detectar sinais precoces de doenças em plantas, pragas nocivas ou animais doentes, analisando imagens de drones ou câmeras. Esses tipos de sistemas de Visão de IA permitem que os agricultores ajam rapidamente para impedir que os problemas se espalhem, economizando tempo e reduzindo perdas.
Dado que as condições agrícolas mudam constantemente com o clima e as estações do ano, é importante testar os modelos numa variedade de imagens para garantir que funcionam bem em diferentes situações. Utilizar a integração DVCLive para o treino personalizado do YOLO11 para aplicações agrícolas é uma ótima forma de acompanhar o seu desempenho, especialmente com conjuntos de dados diversificados.
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 fazer mapas de calor para mostrar quais prateleiras chamam mais atenção, quanto tempo os clientes passam em diferentes corredores e se os displays de publicidade estão sendo notados.
Com essa inteligência de negócios, os proprietários de lojas podem reorganizar os produtos para aumentar as vendas, acelerar as filas de checkout e ajustar a equipe para ajudar os clientes onde e quando eles mais precisam.
Frequentemente, as lojas de varejo têm características únicas, como condições de iluminação, layouts e tamanhos de multidão variados. Por causa dessas diferenças, os modelos de visão computacional usados para analisar a atividade da loja precisam ser cuidadosamente testados e ajustados para cada local para garantir a precisão. Por exemplo, a integração do 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 as operações da loja.
O treinamento personalizado do YOLO11 ao usar a integração DVCLive facilita o rastreamento e a melhoria de suas experiências de visão computacional. Ele registra automaticamente detalhes importantes, mostra resultados visuais claros e ajuda você a comparar diferentes versões do seu modelo.
Esteja você tentando aumentar a produtividade agrícola ou melhorar a experiência de compra em uma loja, esta integração garante que seus modelos de Visão de IA tenham um bom desempenho. Com o rastreamento de experimentos, você pode testar, refinar e otimizar seus modelos sistematicamente, levando a melhorias contínuas na precisão e no desempenho.
Junte-se à nossa comunidade e explore nosso repositório GitHub para saber mais sobre Visão de IA e confira nossas opções de licenciamento para iniciar seus projetos de visão computacional. Interessado em inovações como IA na indústria ou visão computacional em direção autônoma? Visite nossas páginas de soluções para descobrir mais.
.webp)
