Отслеживание экспериментов с Ultralytics YOLO11 и DVC

Отслеживание и мониторинг экспериментов в области компьютерного зрения, где машины обучаются интерпретировать и понимать визуальные данные, являются важнейшей частью разработки и дообучения vision AI моделей, таких как Ultralytics YOLO11. Эти эксперименты часто включают в себя тестирование различных ключевых параметров, а также запись метрик и результатов нескольких прогонов обучения модели. Это помогает анализировать производительность модели и вносить улучшения, основанные на данных.

Без четко определенной системы отслеживания экспериментов сравнение результатов и внесение изменений в модели может стать сложным процессом, ведущим к ошибкам. На самом деле, автоматизация этого процесса — отличный вариант, который поможет обеспечить лучшую согласованность.

Именно это и призвана сделать интеграция DVCLive, поддерживаемая Ultralytics. DVCLive предоставляет упрощенный способ автоматической регистрации данных эксперимента, визуализации результатов и управления отслеживанием производительности модели — и всё это в рамках единого рабочего процесса.

В этой статье мы обсудим, как использовать интеграцию DVCLive во время обучения Ultralytics YOLO11. Мы также рассмотрим ее преимущества и то, как она упрощает отслеживание экспериментов для более качественной разработки vision AI моделей.

Link to this sectionЧто такое DVCLive?#

DVCLive, созданный DVC (Data Version Control), — это надежный инструмент с открытым исходным кодом, предназначенный для отслеживания экспериментов в машинном обучении. Библиотека DVCLive для Python предоставляет логгер экспериментов в реальном времени, который позволяет AI-разработчикам и исследователям отслеживать метрики и параметры своих экспериментов.

Например, он может автоматически записывать ключевые метрики производительности модели, сравнивать результаты разных запусков обучения и визуализировать работу модели. Эти функции позволяют DVCLive помогать тебе поддерживать структурированный и воспроизводимый рабочий процесс машинного обучения.

Рис. 1. Краткий обзор панели управления DVCLive для отслеживания экспериментов.

Link to this sectionКлючевые особенности DVCLive#

Интеграция DVCLive проста в использовании и может улучшить твои проекты в области компьютерного зрения, предоставляя понятные, легко интерпретируемые инструменты визуализации данных и анализа. Вот некоторые другие ключевые особенности DVCLive:

• Поддержка различных фреймворков: DVCLive можно использовать с другими популярными фреймворками машинного обучения. Это делает процесс его внедрения в существующие рабочие процессы и расширение возможностей отслеживания экспериментов прямолинейным.

• Интерактивные графики: Его можно использовать для автоматической генерации интерактивных графиков на основе данных, обеспечивая визуальное представление метрик производительности во времени.

• Легковесный дизайн: DVCLive — это легкая, гибкая и доступная библиотека, которую можно использовать в различных проектах и средах.

Link to this sectionПочему тебе стоит использовать интеграцию DVCLive?#

Изучая документацию Ultralytics и просматривая доступные интеграции, ты можешь задаться вопросом: что отличает интеграцию DVCLive и почему мне стоит выбрать ее для своего рабочего процесса?

С такими интеграциями, как TensorBoard и MLflow, которые также предоставляют инструменты для отслеживания метрик и визуализации результатов, важно понимать уникальные качества, которые выделяют эту интеграцию.

Вот почему DVCLive может стать идеальным выбором для твоих проектов Ultralytics YOLO:

• Минимальные накладные расходы: DVCLive — отличный инструмент для регистрации метрик эксперимента без добавления дополнительной вычислительной нагрузки или нагрузки на хранилище. Он сохраняет логи в виде обычного текста или JSON-файлов, что облегчает интеграцию в существующие рабочие процессы без зависимости от внешних сервисов или баз данных.

• Нативная интеграция с DVC: Созданный командой DVC, DVCLive беспрепятственно работает с системой версионирования данных и моделей DVC. Он также позволяет пользователям отслеживать версии наборов данных, чекпоинты моделей и изменения в пайплайне, что делает его идеальным для команд, уже использующих DVC для воспроизводимости машинного обучения.

• Совместимость с Git: DVCLive интегрируется с Git, что упрощает отслеживание изменений, сравнение моделей и возврат к предыдущим версиям, сохраняя при этом данные эксперимента организованными и под версионным контролем.

Link to this sectionНачало работы с DVCLive#

Отслеживание обучения моделей Ultralytics YOLO11 с помощью DVCLive проще, чем ты можешь ожидать. После установки и настройки необходимых библиотек ты можешь быстро начать кастомное обучение своей модели YOLO11.

После обучения ты можешь настроить такие параметры, как эпохи (количество проходов модели по всему набору данных), patience (время ожидания перед остановкой, если нет улучшений) и целевой размер изображения (разрешение изображений, используемых для обучения), чтобы повысить точность. Затем ты можешь использовать инструмент визуализации DVCLive для сравнения разных версий твоей модели и анализа их производительности.

Для более глубокого понимания процесса обучения моделей и лучших практик, ознакомься с нашей документацией по кастомному обучению моделей Ultralytics YOLO.

Далее давай разберемся, как установить и использовать интеграцию DVCLive во время кастомного обучения YOLO11.

Link to this sectionУстановка требований#

Прежде чем начать обучение YOLO11, тебе нужно установить Python-пакет Ultralytics и DVCLive. Эта интеграция разработана таким образом, что обе библиотеки по умолчанию работают вместе без проблем, поэтому тебе не нужно беспокоиться о сложных настройках.

Весь процесс установки можно завершить всего за пару минут с помощью одной команды pip, которая является инструментом управления пакетами для установки библиотек Python, как показано на изображении ниже.

Рис 2. Установка Ultralytics и DVCLive.

Как только ты установишь пакеты, ты сможешь настроить свое окружение и добавить необходимые учетные данные, чтобы обеспечить плавную работу DVCLive. Настройка Git-репозитория также будет полезна для отслеживания твоего кода и любых изменений в настройках DVCLive.

Для получения подробных пошаговых инструкций и других полезных советов загляни в наше Руководство по установке. Если во время установки необходимых пакетов ты столкнешься с какими-либо проблемами, в нашем Руководстве по распространенным проблемам есть решения и ресурсы, которые тебе помогут.

Link to this sectionОбучение экспериментов с использованием DVCLive#

После завершения сессии обучения модели YOLO11 ты можешь использовать инструменты визуализации для углубленного анализа результатов. В частности, ты можешь использовать API DVC для извлечения данных и обработки их с помощью Pandas (библиотека Python, которая упрощает работу с данными, например, организуя их в таблицы для анализа и сравнения) для более легкого управления и визуализации.

Для более интерактивного и наглядного способа изучения результатов ты также можешь попробовать использовать график параллельных координат Plotly (тип диаграммы, показывающий, как связаны различные параметры модели и результаты производительности).

В конечном итоге ты сможешь использовать инсайты из этих визуализаций для принятия более обоснованных решений об оптимизации твоей модели, настройке гиперпараметров или внесении других модификаций для повышения ее общей производительности.

Link to this sectionПрименение YOLO11 и интеграции DVCLive#

Теперь, когда мы узнали, как устанавливать и визуализировать результаты обучения YOLO11 с помощью интеграции DVCLive, давай изучим некоторые приложения, работу которых эта интеграция может улучшить.

Link to this sectionСельское хозяйство и точное земледелие#

Когда дело касается сельского хозяйства и сбора урожая, точность может иметь огромное значение. Например, фермеры могут использовать поддержку YOLO11 для детекции объектов и сегментации экземпляров для выявления потенциальных болезней сельскохозяйственных культур, отслеживания скота и обнаружения нашествий вредителей.

В частности, YOLO11 помогает выявлять ранние признаки болезней растений, вредных насекомых или нездоровых животных путем анализа изображений с дронов или камер. Такие системы vision AI позволяют фермерам быстро реагировать, чтобы остановить распространение проблем, экономя время и сокращая убытки.

Рис 3. Пример использования YOLO11 для мониторинга урожая.

Поскольку условия на ферме постоянно меняются в зависимости от погоды и времени года, важно тестировать модели на различных изображениях, чтобы гарантировать их хорошую работу в разных ситуациях. Использование интеграции DVCLive для кастомного обучения YOLO11 в сельскохозяйственных целях — отличный способ отслеживать производительность, особенно при работе с разнообразными наборами данных.

Link to this sectionАнализ поведения клиентов в розничной торговле#

Розничные магазины могут использовать AI и компьютерное зрение, чтобы понимать поведение клиентов и вносить улучшения для повышения качества покупок.

Анализируя видео с камер наблюдения, YOLO11 может отслеживать, как люди перемещаются по магазину, какие зоны получают наибольший пешеходный трафик и как покупатели взаимодействуют с товарами. Эти данные затем могут быть использованы для создания тепловых карт, демонстрирующих, какие полки привлекают больше внимания, как долго клиенты задерживаются в различных отделах и замечают ли они рекламные витрины.

Обладая такой бизнес-аналитикой, владельцы магазинов могут переставлять товары для увеличения продаж, ускорять очереди на кассах и корректировать количество персонала, чтобы помогать клиентам там, где и когда это нужно больше всего.

Рис 4. Пример тепловой карты, созданной с использованием YOLO11 для торгового центра.

Зачастую розничные магазины 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 каждой локации, чтобы обеспечить точность. Например, интеграция DVCLive может помочь в дообучении YOLO11, делая ее более точной и надежной для розничных приложений, обеспечивая лучшее понимание поведения клиентов и операционной деятельности магазина.

Link to this sectionОсновные выводы#

Кастомное обучение YOLO11 при использовании интеграции DVCLive упрощает отслеживание и улучшение твоих экспериментов в области компьютерного зрения. Она автоматически записывает важные детали, показывает четкие визуальные результаты и помогает сравнивать разные версии твоей модели.

Пытаешься ли ты повысить производительность фермы или улучшить процесс покупок в магазине, эта интеграция гарантирует, что твои vision AI модели будут работать эффективно. С отслеживанием экспериментов ты можешь систематически тестировать, дорабатывать и оптимизировать свои модели, что ведет к постоянному улучшению точности и производительности.

Присоединяйся к нашему сообществу и изучи наш GitHub-репозиторий, чтобы узнать больше о vision AI, и ознакомься с нашими вариантами лицензирования, чтобы начать свои проекты в области компьютерного зрения. Тебя интересуют инновации, такие как AI в производстве или компьютерное зрение в беспилотных автомобилях? Посети страницы наших решений, чтобы узнать больше.