25 февраля 2025 г.
Узнайте, как можно использовать отслеживание экспериментов для оптимизации экспериментов Ultralytics YOLO11 с помощью интеграции DVC для повышения производительности модели.
.webp)
Отслеживание и мониторинг экспериментов по компьютерному зрению, в ходе которых машины обучаются интерпретировать и понимать визуальные данные, является важной частью разработки и тонкой настройки моделей искусственного интеллекта, таких как Ultralytics YOLO11. В ходе таких экспериментов часто тестируются различные ключевые параметры, регистрируются показатели и результаты многократного обучения модели. Это помогает анализировать производительность модели и вносить в нее улучшения, основанные на данных.
Без четко отлаженной системы отслеживания экспериментов сравнение результатов и внесение изменений в модели может стать сложным и привести к ошибкам. На самом деле автоматизация этого процесса - отличный вариант, который может обеспечить лучшую согласованность.
Именно на это направлена интеграция DVCLive, поддерживаемая Ultralytics. DVCLive предоставляет упрощенный способ автоматического протоколирования деталей эксперимента, визуализации результатов и управления отслеживанием производительности модели - все это в рамках единого рабочего процесса.
В этой статье мы расскажем, как использовать интеграцию DVCLive при обучении Ultralytics YOLO11. Мы также рассмотрим ее преимущества и то, как она упрощает отслеживание экспериментов для лучшей разработки моделей Vision AI .
DVCLive, созданный компанией DVC (Data Version Control), - это надежный инструмент с открытым исходным кодом, предназначенный для отслеживания экспериментов в области машинного обучения. Python-библиотека DVCLive представляет собой логгер экспериментов в реальном времени, позволяющий разработчикам и исследователям ИИ отслеживать метрики и параметры своих экспериментов.
Например, он может автоматически регистрировать ключевые показатели производительности модели, сравнивать результаты разных тренировок и визуализировать производительность модели. Эти функции позволяют DVCLive поддерживать структурированный и воспроизводимый рабочий процесс машинного обучения.
Интеграция DVCLive проста в использовании и может улучшить ваши проекты по компьютерному зрению, предоставляя четкие и понятные визуализации данных и инструменты анализа. Вот некоторые другие ключевые особенности DVCLive:
Просматривая документацию Ultralytics и изучая доступные интеграции, вы можете задаться вопросом: Что отличает интеграцию DVCLive и почему я должен выбрать ее для своего рабочего процесса?
С такими интеграциями, как TensorBoard и MLflow, которые также предоставляют инструменты для отслеживания показателей и визуализации результатов, важно понимать уникальные качества, которые выделяют эту интеграцию.
Вот почему DVCLive может стать идеальным выбором для ваших проектов Ultralytics YOLO:
Отслеживание обучения модели Ultralytics YOLO11 с помощью DVCLive проще, чем вы могли бы ожидать. После установки и настройки необходимых библиотек вы можете быстро начать обучение вашей модели YOLO11.
После обучения вы можете настроить такие ключевые параметры, как эпохи (количество раз, которое модель проходит через весь набор данных), терпение (как долго ждать, прежде чем остановиться, если нет улучшения) и размер целевого изображения (разрешение изображений, используемых для обучения), чтобы повысить точность. Затем вы можете использовать инструмент визуализации DVCLive для сравнения различных версий вашей модели и анализа их производительности.
Для более детального понимания процесса обучения модели и лучших практик ознакомьтесь с нашей документацией по индивидуальному обучению моделей Ultralytics YOLO.
Далее мы рассмотрим, как установить и использовать интеграцию DVCLive в процессе пользовательского обучения YOLO11.
Прежде чем приступить к обучению YOLO11, вам нужно будет установить как пакет Ultralytics Python, так и DVCLive. Эта интеграция была разработана таким образом, что обе библиотеки по умолчанию работают без проблем, поэтому вам не нужно беспокоиться о сложных конфигурациях.
Весь процесс установки можно завершить всего за пару минут с помощью одной команды Pip, которая представляет собой инструмент управления пакетами для установки библиотек Python, как показано на рисунке ниже.
После установки пакетов можно настроить среду и добавить необходимые учетные данные, чтобы обеспечить бесперебойную работу DVCLive. Настройка Git-репозитория также поможет вам отслеживать ваш код и любые изменения в настройках DVCLive.
Подробные пошаговые инструкции и другие полезные советы вы найдете в нашем Руководстве по установке. Если у вас возникнут проблемы при установке необходимых пакетов, в нашем руководстве по общим проблемам есть решения и ресурсы, которые помогут вам.
После завершения сеанса обучения модели YOLO11 вы можете использовать инструменты визуализации для углубленного анализа результатов. В частности, вы можете использовать API DVC для извлечения данных и их обработки с помощью Pandas ((библиотека Python, которая упрощает работу с данными, например, организует их в таблицы для анализа и сравнения) для более удобной обработки и визуализации.
Для более интерактивного и наглядного изучения результатов можно также попробовать использовать график параллельных координат Plotly (тип диаграммы, который показывает, как связаны различные параметры модели и результаты работы.
В конечном счете, вы можете использовать результаты этих визуализаций для принятия решений об оптимизации модели, настройке гиперпараметров или внесении других изменений для повышения ее общей производительности.
Теперь, когда мы узнали, как установить и визуализировать результаты тренировок YOLO11 с помощью интеграции DVCLive, давайте рассмотрим некоторые приложения, которые эта интеграция может улучшить.
Когда речь идет о сельском хозяйстве и сборе урожая, точность может иметь огромное значение. Например, фермеры могут использовать поддержку обнаружения объектов и сегментации экземпляров в YOLO11 для выявления потенциальных болезней сельскохозяйственных культур, отслеживания поголовья скота и обнаружения заражения вредителями.
В частности, YOLO11 может помочь обнаружить ранние признаки болезней растений, вредителей или нездоровых животных, анализируя изображения с беспилотников или камер. Подобные системы искусственного интеллекта позволяют фермерам действовать быстро, чтобы остановить распространение проблем, экономя время и сокращая потери.
Поскольку условия на ферме постоянно меняются в зависимости от погоды и времени года, важно тестировать модели на различных изображениях, чтобы убедиться, что они хорошо работают в разных ситуациях. Использование интеграции DVCLive для индивидуального обучения YOLO11 для сельскохозяйственных приложений - отличный способ отслеживать его производительность, особенно при работе с различными наборами данных.
Розничные магазины могут использовать искусственный интеллект и компьютерное зрение для понимания поведения покупателей и внесения улучшений для повышения качества покупок.
Анализируя видео с камер наблюдения, YOLO11 может отслеживать, как люди перемещаются по магазину, в каких зонах наблюдается наибольшая проходимость и как покупатели взаимодействуют с товарами. Эти данные можно использовать для составления тепловых карт, чтобы показать, какие полки привлекают наибольшее внимание, сколько времени покупатели проводят в разных проходах и обращают ли внимание на рекламные дисплеи.
Благодаря этой бизнес-аналитике владельцы магазинов могут переставлять товары для увеличения продаж, ускорять работу касс и корректировать штат сотрудников, чтобы помочь покупателям там и тогда, где и когда они больше всего в этом нуждаются.
Зачастую магазины розничной торговли имеют уникальные характеристики, такие как различные условия освещения, планировки и размеры толпы. Из-за этих различий модели компьютерного зрения, используемые для анализа активности в магазине, должны быть тщательно протестированы и скорректированы для каждого места, чтобы обеспечить точность. Например, интеграция с DVCLive поможет точно настроить YOLO11, сделав его более точным и надежным для розничных приложений, что позволит лучше понять поведение покупателей и работу магазина.
Пользовательское обучение YOLO11 при использовании интеграции DVCLive упрощает отслеживание и улучшение экспериментов с компьютерным зрением. Он автоматически регистрирует важные детали, показывает наглядные результаты и помогает сравнивать различные версии модели.
Независимо от того, пытаетесь ли вы повысить производительность фермы или улучшить качество покупок в магазине, эта интеграция обеспечивает высокую производительность ваших моделей ИИ Vision. Благодаря отслеживанию экспериментов вы можете систематически тестировать, дорабатывать и оптимизировать свои модели, что приведет к постоянному повышению точности и производительности.
Присоединяйтесь к нашему сообществу и изучите наш репозиторий GitHub, чтобы узнать больше о Vision AI, а также ознакомьтесь с нашими вариантами лицензирования для запуска ваших проектов в области компьютерного зрения. Вас интересуют такие инновации, как ИИ в производстве или компьютерное зрение в самодвижущихся автомобилях? Посетите страницы наших решений, чтобы узнать больше.
.webp)
