Acompanhamento de experiências com Ultralytics YOLO11 e DVC

Acompanhar e monitorizar experiências de visão computacional, nas quais as máquinas são treinadas para interpretar e compreender dados visuais, é uma parte crucial do desenvolvimento e do ajuste fino de modelos de IA de visão como o Ultralytics YOLO11. Estas experiências envolvem frequentemente testar diferentes parâmetros-chave e registar métricas e resultados de várias execuções de treino do modelo. Isso pode ajudar a analisar o desempenho do modelo e a realizar melhorias baseadas em dados.

Sem um sistema de acompanhamento de experiências bem definido, comparar resultados e fazer alterações aos modelos pode tornar-se complicado e provocar erros. Na verdade, automatizar este processo é uma excelente opção que pode garantir maior consistência.

É exatamente isso que a integração do DVCLive suportada pela Ultralytics pretende fazer. O DVCLive oferece uma forma simplificada de registar automaticamente detalhes das experiências, visualizar resultados e gerir o acompanhamento do desempenho dos modelos, tudo num único fluxo de trabalho.

Neste artigo, vamos explicar como utilizar a integração do DVCLive durante o treino do Ultralytics YOLO11. Também veremos as suas vantagens e como facilita o acompanhamento de experiências para um melhor desenvolvimento de modelos de IA de visão.

O que é o DVCLive?#

O DVCLive, criado pelo DVC (Controlo de Versões de Dados), é uma ferramenta open source fiável, concebida para acompanhar experiências de machine learning. A biblioteca Python do DVCLive fornece um registador de experiências em tempo real que permite a programadores e investigadores de IA acompanhar as métricas e os parâmetros das suas experiências.

Por exemplo, pode registar automaticamente métricas-chave de desempenho do modelo, comparar resultados entre execuções de treino e visualizar o desempenho do modelo. Estas funcionalidades permitem ao DVCLive ajudar-te a manter um fluxo de trabalho de machine learning estruturado e reproduzível.

Fig. 1. Uma breve vista do painel do DVCLive para acompanhamento de experiências.

Principais funcionalidades do DVCLive#

A integração do DVCLive é fácil de utilizar e pode melhorar os teus projetos de visão computacional ao fornecer visualizações de dados claras e fáceis de compreender, bem como ferramentas de análise. Eis algumas outras funcionalidades principais do DVCLive:

• Suporta várias frameworks: o DVCLive pode ser utilizado com outras frameworks populares de machine learning. Isto facilita a sua integração em fluxos de trabalho existentes e o melhoramento das capacidades de acompanhamento de experiências.

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

• Design leve: o DVCLive é uma biblioteca leve, flexível e acessível, que pode ser utilizada em diferentes projetos e ambientes.

Por que deves utilizar a integração do DVCLive?#

À medida que consultas a documentação da Ultralytics e exploras as integrações disponíveis, podes perguntar-te: o que distingue a integração do DVCLive e por que deves escolhê-la para o teu fluxo de trabalho?

Embora integrações como o TensorBoard e o MLflow também forneçam ferramentas para acompanhar métricas e visualizar resultados, é essencial compreender as qualidades únicas que fazem esta integração destacar-se.

Eis por que o DVCLive pode ser a escolha ideal para os teus projetos Ultralytics YOLO:

• Sobrecarga mínima: o DVCLive é uma excelente ferramenta para registar métricas de experiências sem adicionar carga computacional ou de armazenamento. Guarda os registos como ficheiros de texto simples ou JSON, facilitando a integração em fluxos de trabalho existentes sem depender de serviços externos ou bases de dados.

• Integração nativa com o DVC: desenvolvido pela equipa responsável pelo DVC, o DVCLive funciona de forma integrada com o sistema de versionamento de dados e modelos do DVC. Também permite acompanhar versões de conjuntos de dados, checkpoints de modelos e alterações em pipelines, sendo ideal para equipas que já utilizam o DVC para garantir a reprodutibilidade de machine learning.

• Compatível com Git: o DVCLive integra-se com o Git, facilitando o acompanhamento de alterações, a comparação de modelos e o restauro de versões anteriores, enquanto mantém os dados das experiências organizados e sob controlo de versões.

Como começar a utilizar o DVCLive#

Acompanhar o treino de modelos Ultralytics YOLO11 com o DVCLive é mais simples do que podes imaginar. Depois de instalares e configurares as bibliotecas necessárias, podes começar rapidamente a treinar o teu modelo YOLO11 de forma personalizada.

Depois do treino, podes ajustar definições importantes, como epochs (o número de vezes que o modelo percorre todo o conjunto de dados), patience (quanto tempo esperar antes de parar caso não haja melhorias) e o tamanho-alvo da imagem (a resolução das imagens utilizadas no treino) para melhorar a precisão. Em seguida, podes utilizar a ferramenta de visualização do DVCLive para comparar diferentes versões do teu modelo e analisar o respetivo desempenho.

Para compreenderes melhor o processo de treino do modelo e as melhores práticas, consulta a nossa documentação sobre treino personalizado de modelos Ultralytics YOLO.

Em seguida, vamos explicar como instalar e utilizar a integração do DVCLive durante o treino personalizado do Ultralytics YOLO11.

Instalar os requisitos#

Antes de começares a treinar o YOLO11, terás de instalar tanto o pacote Python da Ultralytics como o DVCLive. Esta integração foi concebida para que ambas as bibliotecas funcionem em conjunto de forma integrada por predefinição, pelo que não precisas de te 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, conforme mostrado na imagem abaixo.

Fig. 2. Instalação da Ultralytics e do DVCLive.

Depois de instalares os pacotes, podes configurar o teu ambiente e adicionar as credenciais necessárias para garantir que o DVCLive funciona corretamente. Configurar um repositório Git também é útil para acompanhar o teu código e quaisquer alterações às definições do DVCLive.

Para obteres instruções detalhadas passo a passo e outras sugestões úteis, consulta o nosso Guia de instalação. Se encontrares problemas durante a instalação dos pacotes necessários, o nosso Guia de problemas comuns inclui soluções e recursos para te ajudar.

Treino de experiências com o DVCLive#

Depois de concluída a sessão de treino do teu modelo Ultralytics YOLO11, podes utilizar as ferramentas de visualização para analisar os resultados em profundidade. Especificamente, podes utilizar 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), facilitando a sua manipulação e visualização.

Para explorares os teus resultados de forma mais interativa e visual, também podes experimentar o gráfico de coordenadas paralelas do Plotly (um tipo de gráfico que mostra como diferentes parâmetros do modelo e resultados de desempenho estão relacionados).

Em última análise, podes utilizar os conhecimentos obtidos com estas visualizações para tomar melhores decisões sobre a otimização do modelo, o ajuste de hiperparâmetros ou outras modificações que melhorem o seu desempenho geral.

Aplicações do Ultralytics YOLO11 e da integração do DVCLive#

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

Agricultura e agricultura de precisão#

Quando se trata de agricultura e colheita de culturas para alimentação, a precisão pode fazer uma grande diferença. Por exemplo, os agricultores podem utilizar o suporte do Ultralytics YOLO11 para deteção de objetos e segmentação de instâncias para identificar potenciais doenças nas culturas, acompanhar 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 captadas por drones ou câmaras. Estes tipos de sistemas de IA de visão permitem aos agricultores agir rapidamente para impedir a propagação dos problemas, poupando tempo e reduzindo perdas.

Fig. 3. Um exemplo da utilização do YOLO11 para monitorizar culturas.

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 funcionam bem em diferentes situações. Utilizar a integração do DVCLive para o treino personalizado do Ultralytics YOLO11 em aplicações agrícolas é uma excelente forma de acompanhar o seu desempenho, especialmente com conjuntos de dados diversificados.

Análise do comportamento dos clientes no comércio a retalho#

As lojas de retalho podem utilizar IA e visão computacional para compreender o comportamento dos clientes e fazer melhorias que aperfeiçoem a experiência de compra.

Ao analisar vídeos de câmaras de segurança, o Ultralytics YOLO11 pode acompanhar a forma como as pessoas se deslocam pela loja, quais as áreas com maior movimento e como os clientes interagem com os produtos. Estes dados podem então ser utilizados para criar mapas de calor que mostram quais as prateleiras que captam mais atenção, quanto tempo os clientes passam em diferentes corredores e se os expositores publicitários estão a ser notados.

Com esta inteligência empresarial, os proprietários das lojas podem reorganizar os produtos para aumentar as vendas, acelerar as filas de pagamento e ajustar a equipa para ajudar os clientes onde e quando 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, como condições de iluminação, disposições e tamanhos de multidões variáveis. Devido a estas diferenças, os modelos de visão computacional utilizados para analisar a atividade da loja precisam de ser cuidadosamente testados e ajustados para cada local, de modo a garantir a precisão. Por exemplo, a integração do DVCLive pode ajudar a ajustar o Ultralytics YOLO11, tornando-o mais preciso e fiável para aplicações de retalho e permitindo obter melhores informações sobre o comportamento dos clientes e as operações da loja.

Principais conclusões#

Treinar o Ultralytics YOLO11 de forma personalizada enquanto utilizas a integração do DVCLive facilita o acompanhamento e o melhoramento das tuas experiências de visão computacional. Regista automaticamente detalhes importantes, apresenta resultados visuais claros e ajuda-te a comparar diferentes versões do teu modelo.

Quer estejas a tentar aumentar a produtividade agrícola, quer a melhorar a experiência de compra numa loja, esta integração garante que os teus modelos de IA de visão têm um bom desempenho. Com o acompanhamento de experiências, podes testar, aperfeiçoar e otimizar sistematicamente os teus modelos, conduzindo a melhorias contínuas na precisão e no desempenho.

Junta-te à nossa comunidade e explora o nosso repositório do GitHub para saberes mais sobre IA de visão, e consulta as nossas opções de licenciamento para começares os teus projetos de visão computacional. Tens interesse em inovações como IA na indústria ou visão computacional em veículos autónomos? Visita as nossas páginas de soluções para descobrires mais.