Отслеживание экспериментов с помощью Ultralytics YOLO11 и DVC

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 зрения, 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 определенной системы отслеживания экспериментов сравнение результатов и внесение изменений в модели может стать сложным и привести к ошибкам. Фактически, автоматизация этого процесса — отличный вариант, который может обеспечить большую 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 .

Что такое DVCLive?

DVCLive, созданный компанией DVC (Data Version Control), - это надежный инструмент с открытым исходным кодом, предназначенный для отслеживания экспериментов в области машинного обучения. Python DVCLive представляет собой логгер экспериментов в реальном времени, позволяющий разработчикам и исследователям ИИ track метрики и параметры своих экспериментов. 

Например, он может автоматически регистрировать ключевые метрики производительности модели, сравнивать результаты между запусками обучения и визуализировать производительность модели. Эти функции позволяют DVCLive помочь вам поддерживать структурированный и воспроизводимый рабочий процесс машинного обучения.

‍

Ключевые особенности DVCLive

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

• Поддержка различных фреймворков: DVCLive можно использовать с другими популярными фреймворками машинного обучения. Это упрощает интеграцию в существующие рабочие процессы и улучшает возможности отслеживания экспериментов.

• Интерактивные графики: Может использоваться для автоматической генерации интерактивных графиков на основе данных, предоставляя визуальное представление метрик производительности во времени. 

• Легковесная конструкция: DVCLive - это легкая, гибкая и доступная библиотека, поскольку ее можно использовать в различных проектах и средах.

Зачем использовать интеграцию DVCLive?

Просматривая документациюUltralytics и изучая доступные интеграции, вы можете задаться вопросом: Что отличает интеграцию DVCLive и почему я должен выбрать ее для своего рабочего процесса?

Благодаря интеграциям, таким 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 ваших проектов Ultralytics YOLO :

• Минимальные накладные расходы: DVCLive - отличный инструмент для регистрации метрик экспериментов без добавления какой-либо дополнительной вычислительной нагрузки или нагрузки на хранилище. Он сохраняет журналы в виде обычного текста или файлов JSON, что упрощает интеграцию в существующие рабочие процессы без использования внешних сервисов или баз данных.

• Интеграция с DVC: DVCLive, созданный командой, стоящей за DVC, прекрасно работает с системой версионирования данных и моделей DVC. Он также позволяет пользователям track версии наборов данных, контрольные точки моделей и изменения в конвейере, что делает его идеальным для команд, уже использующих DVC для воспроизводимости машинного обучения.

• Совместимость с Git: DVCLive интегрируется с Git, что позволяет легко track изменения, сравнивать модели и возвращаться к предыдущим версиям, сохраняя данные экспериментов организованными и контролируемыми по версиям.

Начало работы с DVCLive 

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 ключевые параметры, такие как эпохи (количество раз, когда модель проходит через весь набор данных), терпение (как долго ждать, прежде чем остановиться, если нет улучшений) и целевой размер изображения (разрешение изображений, используемых для обучения), чтобы повысить точность. Затем вы можете использовать инструмент визуализации DVCLive, чтобы сравнить различные версии вашей модели и проанализировать их производительность.

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.

Установка необходимых компонентов

Прежде чем приступить к обучению YOLO11, вам нужно будет установить как пакетUltralytics 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 вы можете настроить среду и добавить необходимые учетные данные, чтобы обеспечить бесперебойную работу DVCLive. Настройка Git-репозитория также поможет track код и любые изменения в настройках DVCLive. 

Для получения подробных пошаговых инструкций и других полезных советов ознакомьтесь с нашим Руководством по установке. Если у вас возникнут какие-либо проблемы при установке необходимых пакетов, в нашем Руководстве по распространенным проблемам есть решения и ресурсы, которые помогут вам.

Эксперименты по обучению с использованием DVCLive 

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 визуального способа изучения результатов можно также попробовать использовать график параллельных координат Plotly (тип диаграммы, который показывает, как связаны различные параметры модели и результаты производительности). 

В конечном счете, вы можете использовать аналитические данные из этих визуализаций для принятия более эффективных решений об оптимизации вашей модели, настройке гиперпараметров или внесении других изменений для повышения ее общей производительности. 

Применение YOLO11 и интеграция DVCLive

Теперь, когда мы узнали, как установить и визуализировать результаты тренировок YOLO11 с помощью интеграции DVCLive, давайте рассмотрим некоторые приложения, которые эта интеграция может улучшить.

Сельское хозяйство и точное земледелие

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 YOLO11для выявления потенциальных болезней сельскохозяйственных культур, track поголовья скота и detect 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 track его производительность, особенно при работе с различными наборами данных. 

Анализ поведения клиентов в розничной торговле

Розничные магазины могут использовать ИИ и компьютерное зрение для понимания поведения клиентов и внесения улучшений для повышения удобства совершения покупок. 

Анализируя видео с камер наблюдения, YOLO11 может track , 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 очереди на кассах и корректировать штат сотрудников, чтобы помогать клиентам там и тогда, когда им это больше всего нужно.

‍

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.

Основные выводы

Пользовательское обучение YOLO11 при использовании интеграции DVCLive облегчает track и совершенствование экспериментов по компьютерному зрению. Он автоматически регистрирует важные детали, показывает наглядные результаты и помогает сравнивать различные версии модели. 

Пытаетесь ли вы повысить продуктивность фермерского хозяйства или улучшить качество обслуживания в магазине, эта интеграция гарантирует высокую производительность ваших моделей Vision AI. Благодаря отслеживанию экспериментов вы можете систематически тестировать, совершенствовать и оптимизировать свои модели, что приведет к постоянному повышению точности и производительности.

Присоединяйтесь к нашему сообществу и изучите наш репозиторий на GitHub, чтобы узнать больше о Vision AI, и ознакомьтесь с нашими вариантами лицензирования, чтобы дать старт своим проектам в области компьютерного зрения. Интересуетесь инновациями, такими как ИИ в производстве или компьютерное зрение в самоуправляемых автомобилях? Посетите страницы наших решений, чтобы узнать больше.