Отслеживание экспериментов с Ultralytics YOLO11 и DVC

Отслеживание и мониторинг экспериментов в области компьютерного зрения, где машины обучаются интерпретировать и понимать визуальные данные, — важная часть разработки и тонкой настройки моделей ИИ для компьютерного зрения, таких как Ultralytics YOLO11. В таких экспериментах часто проверяют разные ключевые параметры и записывают метрики и результаты нескольких запусков обучения модели. Это помогает анализировать производительность модели и вносить улучшения на основе данных.

Без четко определенной системы отслеживания экспериментов сравнивать результаты и вносить изменения в модели может быть сложно и чревато ошибками. Автоматизация этого процесса — отличный способ обеспечить более стабильные результаты.

Именно для этого предназначена интеграция DVCLive, которую поддерживает Ultralytics. DVCLive упрощает автоматическую запись сведений об экспериментах, визуализацию результатов и отслеживание производительности моделей в рамках единого рабочего процесса.

В этой статье мы расскажем, как использовать интеграцию DVCLive при обучении Ultralytics YOLO11. Мы также рассмотрим её преимущества и то, как она упрощает отслеживание экспериментов для более эффективной разработки моделей ИИ для компьютерного зрения.

Что такое DVCLive?#

DVCLive — надёжный инструмент с открытым исходным кодом для отслеживания экспериментов в машинном обучении, созданный командой DVC (Data Version Control). Библиотека DVCLive для Python позволяет записывать данные об экспериментах в реальном времени, чтобы разработчики и исследователи ИИ могли отслеживать метрики и параметры своих экспериментов.

Например, система может автоматически записывать ключевые метрики производительности модели, сравнивать результаты разных запусков обучения и визуализировать производительность модели. Эти возможности позволяют DVCLive помогать тебе поддерживать структурированный и воспроизводимый процесс машинного обучения.

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

Ключевые возможности DVCLive#

Интеграцию DVCLive легко использовать; она может улучшить твои проекты в области компьютерного зрения благодаря наглядной визуализации данных и инструментам анализа. Вот другие ключевые возможности DVCLive:

• Поддержка различных фреймворков: DVCLive можно использовать с другими популярными фреймворками машинного обучения. Благодаря этому его легко встроить в существующие рабочие процессы и расширить возможности отслеживания экспериментов.
• Интерактивные графики: Инструмент может автоматически строить интерактивные графики по данным, наглядно представляя динамику метрик производительности.
• Лёгкая архитектура: DVCLive — это лёгкая, гибкая и доступная библиотека, которую можно использовать в разных проектах и средах.

Зачем использовать интеграцию DVCLive?#

Изучая документацию Ultralytics и доступные интеграции, ты можешь задаться вопросом: чем выделяется интеграция DVCLive и почему стоит выбрать её для своего рабочего процесса?

Существуют и другие интеграции, например TensorBoard и MLflow, которые тоже предоставляют инструменты для отслеживания метрик и визуализации результатов. Поэтому важно понимать, какие особенности выделяют эту интеграцию.

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

• Минимальные накладные расходы: DVCLive отлично подходит для записи метрик экспериментов, практически не увеличивая вычислительные затраты и объем хранилища. Система сохраняет журналы в виде обычных текстовых файлов или файлов JSON, поэтому ее легко интегрировать в существующие рабочие процессы без внешних сервисов и баз данных.
• Встроенная интеграция с DVC: DVCLive создан командой, стоящей за DVC, и без проблем работает с системой управления версиями данных и моделей DVC. С его помощью также можно отслеживать версии наборов данных, контрольные точки моделей и изменения конвейеров, поэтому он отлично подходит командам, которые уже используют DVC для воспроизводимости машинного обучения.
• Совместимость с Git: DVCLive интегрируется с Git, упрощая отслеживание изменений, сравнение моделей и возврат к предыдущим версиям при сохранении порядка в данных экспериментов и истории их версий.

Начало работы с DVCLive#

Отслеживать обучение модели Ultralytics YOLO11 с помощью DVCLive проще, чем ты думаешь. Установив и настроив необходимые библиотеки, ты быстро сможешь приступить к обучению собственной модели YOLO11.

После обучения можно настроить такие ключевые параметры, как количество эпох (сколько раз модель проходит весь набор данных), терпение (как долго ждать остановки, если улучшений нет) и целевой размер изображения (разрешение изображений, используемых для обучения), чтобы повысить точность. Затем с помощью инструмента визуализации DVCLive можно сравнить разные версии модели и проанализировать их производительность.

Чтобы подробнее узнать о процессе обучения моделей и лучших практиках, ознакомься с нашей документацией по обучению на собственных данных моделей Ultralytics YOLO.

Теперь разберём, как установить интеграцию DVCLive и использовать её при обучении Ultralytics YOLO11 на собственных данных.

Установка необходимых компонентов#

Перед обучением YOLO11 нужно установить пакет Ultralytics для Python и DVCLive. Эта интеграция изначально настроена так, чтобы обе библиотеки работали вместе, поэтому беспокоиться о сложной конфигурации не нужно.

Всю установку можно выполнить всего за пару минут с помощью одной команды pip — менеджера пакетов для библиотек Python, как показано на изображении ниже.

Рис. 2. Установка Ultralytics и DVCLive.

После установки пакетов настрой среду и добавь необходимые учётные данные, чтобы DVCLive работал без сбоев. Также будет полезно создать репозиторий Git, чтобы отслеживать код и изменения настроек DVCLive.

Подробные пошаговые инструкции и другие полезные советы смотри в нашем руководстве по установке. Если при установке необходимых пакетов возникнут проблемы, решения и полезные материалы найдёшь в нашем руководстве по распространённым проблемам.

Обучение модели с отслеживанием экспериментов в DVCLive#

После завершения обучения модели Ultralytics YOLO11 можно воспользоваться инструментами визуализации, чтобы подробно проанализировать результаты. В частности, можно извлечь данные с помощью API DVC и обработать их с помощью Pandas (библиотеки Python, которая упрощает работу с данными, например их организацию в таблицы для анализа и сравнения), чтобы упростить обработку и визуализацию.

Чтобы исследовать результаты более интерактивно и наглядно, попробуй также построить параллельную координатную диаграмму в Plotly (тип графика, показывающий связь между различными параметрами модели и результатами её работы).

В итоге данные, полученные с помощью таких визуализаций, помогут принимать более обоснованные решения об оптимизации модели, настройке гиперпараметров и других изменениях для повышения общей производительности.

Применение Ultralytics YOLO11 и интеграции с DVCLive#

Теперь, когда мы узнали, как установить Ultralytics YOLO11 и визуализировать результаты обучения с помощью интеграции с DVCLive, рассмотрим некоторые задачи, в которых эта интеграция может быть полезна.

Сельское хозяйство и точное земледелие#

В сельском хозяйстве, особенно при выращивании и сборе урожая, точность может иметь огромное значение. Например, фермеры могут использовать поддержку обнаружения объектов и сегментации экземпляров в Ultralytics YOLO11, чтобы выявлять потенциальные болезни сельскохозяйственных культур, отслеживать скот и обнаруживать нашествия вредителей.

В частности, Ultralytics YOLO11 может помочь выявлять ранние признаки болезней растений, вредителей или нездорового состояния животных, анализируя изображения с дронов или камер. Такие системы визуального ИИ позволяют фермерам быстро реагировать и предотвращать распространение проблем, экономя время и сокращая потери.

Рис. 3. Пример использования YOLO11 для мониторинга посевов.

Поскольку погодные условия и времена года постоянно меняют обстановку на ферме, важно тестировать модели на самых разных изображениях, чтобы убедиться в их надёжной работе в различных ситуациях. Интеграция с DVCLive для дообучения Ultralytics YOLO11 на пользовательских данных для сельскохозяйственных задач — отличный способ отслеживать производительность модели, особенно при использовании разнообразных наборов данных.

Анализ поведения покупателей в розничной торговле#

Розничные магазины могут использовать ИИ и компьютерное зрение, чтобы понимать поведение покупателей и улучшать качество обслуживания.

Анализируя видео с камер наблюдения, Ultralytics YOLO11 может отслеживать перемещения людей по магазину, выявлять зоны с наибольшим потоком посетителей и определять, как покупатели взаимодействуют с товарами. На основе этих данных можно создавать тепловые карты, показывающие, какие полки привлекают больше всего внимания, сколько времени покупатели проводят в разных отделах и замечают ли они рекламные стенды.

Используя эту бизнес-аналитику, владельцы магазинов могут менять расположение товаров для увеличения продаж, ускорять обслуживание на кассах и корректировать графики персонала, чтобы помогать покупателям там и тогда, когда это нужнее всего.

Рис. 4. Пример тепловой карты торгового центра, созданной с помощью Ultralytics YOLO11.

Розничные магазины часто отличаются особенностями освещения, планировкой и количеством посетителей. Поэтому модели компьютерного зрения для анализа активности в магазинах нужно тщательно проверять и настраивать для каждой локации, чтобы обеспечить точность. Например, интеграция с DVCLive помогает отслеживать запуски дообучения Ultralytics YOLO11, упрощая создание точных и надежных моделей для розничной торговли и позволяя лучше анализировать поведение покупателей и работу магазинов.

Главные выводы#

Дообучение Ultralytics YOLO11 на пользовательских данных с интеграцией DVCLive упрощает отслеживание и совершенствование экспериментов с компьютерным зрением. Интеграция автоматически сохраняет важные сведения, наглядно отображает результаты и помогает сравнивать разные версии модели.

Хочешь повысить продуктивность фермы или улучшить качество обслуживания покупателей в магазине? Эта интеграция поможет убедиться, что модели AI для компьютерного зрения работают хорошо. С помощью отслеживания экспериментов можно систематически проверять, дорабатывать и оптимизировать модели, постоянно повышая их точность и производительность.

Присоединяйся к нашему сообществу и изучи наш репозиторий GitHub, чтобы больше узнать о визуальном ИИ. Ознакомься с вариантами лицензирования, чтобы начать проекты в области компьютерного зрения. Интересуешься такими инновациями, как ИИ в производстве или компьютерное зрение в беспилотных автомобилях? Загляни на страницы наших решений, чтобы узнать больше.