Отслеживание экспериментов с Ultralytics YOLO11 и DVC

Отслеживание и мониторинг экспериментов в области компьютерного зрения, в рамках которых машины обучаются интерпретировать и понимать визуальные данные, — важнейшая часть разработки и тонкой настройки моделей ИИ для компьютерного зрения, таких как Ultralytics YOLO11. Эти эксперименты часто включают проверку различных ключевых параметров и регистрацию метрик и результатов нескольких запусков обучения модели. Это помогает анализировать производительность модели и вносить в неё улучшения на основе данных.

Без чётко определённой системы отслеживания экспериментов сравнение результатов и внесение изменений в модели могут усложниться и привести к ошибкам. Автоматизация этого процесса — отличный способ обеспечить большую согласованность.

Именно это призвана делать интеграция DVCLive, поддерживаемая Ultralytics. DVCLive упрощает автоматическую регистрацию сведений об экспериментах, визуализацию результатов и отслеживание производительности моделей в рамках единого рабочего процесса.

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

Что такое DVCLive?#

DVCLive, созданный DVC (контроль версий данных), — это надёжный инструмент с открытым исходным кодом для отслеживания экспериментов в области машинного обучения. Библиотека DVCLive для Python предоставляет регистратор экспериментов в реальном времени, позволяющий разработчикам и исследователям в области ИИ отслеживать метрики и параметры своих экспериментов.

Например, он может автоматически регистрировать ключевые метрики производительности модели, сравнивать результаты разных запусков обучения и визуализировать производительность модели. Благодаря этим возможностям DVCLive помогает поддерживать структурированный и воспроизводимый рабочий процесс машинного обучения.

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

Ключевые возможности DVCLive#

Интеграция DVCLive проста в использовании и может улучшить проекты в области компьютерного зрения благодаря понятным визуализациям данных и инструментам анализа. Вот ещё несколько ключевых возможностей DVCLive:

• Поддержка различных фреймворков: DVCLive можно использовать с другими популярными фреймворками машинного обучения. Благодаря этому его легко встраивать в существующие рабочие процессы и улучшать возможности отслеживания экспериментов.

• Интерактивные графики: инструмент может автоматически создавать интерактивные графики на основе данных, обеспечивая визуальное представление метрик производительности во времени.

• Лёгкая архитектура: DVCLive — это лёгкая, гибкая и доступная библиотека, которую можно использовать в различных проектах и средах.

Зачем использовать интеграцию DVCLive?#

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

Такие интеграции, как TensorBoard и MLflow, также предоставляют инструменты для отслеживания метрик и визуализации результатов, поэтому важно понимать уникальные особенности, которые выделяют эту интеграцию.

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

• Минимальные накладные расходы: DVCLive — отличный инструмент для регистрации метрик экспериментов без дополнительной вычислительной нагрузки или расхода дискового пространства. Он сохраняет логи в виде обычных текстовых файлов или файлов JSON, поэтому его легко интегрировать в существующие рабочие процессы без внешних сервисов или баз данных.

• Нативная интеграция с DVC: DVCLive, созданный командой DVC, без проблем работает с системой версионирования данных и моделей DVC. Он также позволяет отслеживать версии наборов данных, контрольные точки моделей и изменения в конвейерах, что делает его идеальным выбором для команд, уже использующих DVC для обеспечения воспроизводимости машинного обучения.

• Совместимость с Git: DVCLive интегрируется с Git, что упрощает отслеживание изменений, сравнение моделей и возврат к предыдущим версиям, помогая поддерживать данные экспериментов в организованном состоянии и управлять ими с помощью контроля версий.

Начало работы с DVCLive#

Отслеживать обучение модели Ultralytics YOLO11 с помощью DVCLive проще, чем может показаться. После установки и настройки необходимых библиотек ты сможешь быстро приступить к дообучению своей модели YOLO11.

После обучения ты можешь настроить такие ключевые параметры, как количество эпох (число проходов модели по всему набору данных), patience (время ожидания перед остановкой при отсутствии улучшений) 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 получить более подробное представление о процессе обучения модели и лучших практиках, ознакомься с нашей документацией по дообучению моделей Ultralytics YOLO.

Далее мы пошагово разберём, как установить и использовать интеграцию DVCLive при дообучении Ultralytics YOLO11.

Установка зависимостей#

Прежде чем приступить к обучению YOLO11, необходимо установить пакет Ultralytics для Python и DVCLive. Эта интеграция по умолчанию настроена так, чтобы обе библиотеки работали вместе без проблем, поэтому сложная конфигурация не потребуется.

Весь процесс установки занимает всего пару минут и выполняется одной командой pip — инструментом управления пакетами для установки библиотек Python, как показано на изображении ниже.

Рис. 2. Установка Ultralytics и DVCLive.

После установки пакетов можно настроить среду и добавить необходимые учётные данные, чтобы DVCLive работал без проблем. Настройка репозитория Git также поможет отслеживать код и любые изменения параметров DVCLive.

Подробные пошаговые инструкции и другие полезные советы приведены в нашем руководстве по установке. Если при установке необходимых пакетов возникнут проблемы, решения и полезные ресурсы можно найти в нашем руководстве по распространённым проблемам.

Обучение экспериментов с использованием DVCLive#

После завершения сеанса обучения модели Ultralytics YOLO11 можно использовать инструменты визуализации для подробного анализа результатов. В частности, можно использовать API DVC для извлечения данных, а затем обработать их с помощью pandas (библиотеки Python, упрощающей работу с данными, например их организацию в таблицы для анализа и сравнения), чтобы упростить обработку и визуализацию.

Чтобы исследовать результаты более интерактивно и наглядно, можно также попробовать диаграмму параллельных координат Plotly (тип диаграммы, показывающий взаимосвязь различных параметров модели и результатов производительности).

В конечном итоге полученные из этих визуализаций сведения помогут принимать более эффективные решения по оптимизации модели, настройке гиперпараметров и внесению других изменений для повышения её общей производительности.

Применение Ultralytics YOLO11 и интеграции DVCLive#

Теперь, когда мы научились устанавливать Ultralytics YOLO11 и визуализировать результаты обучения с помощью интеграции DVCLive, давай рассмотрим некоторые области применения, которые эта интеграция может улучшить.

Сельское хозяйство и точное земледелие#

В сельском хозяйстве и при выращивании сельскохозяйственных культур точность может иметь огромное значение. Например, фермеры могут использовать поддержку обнаружения объектов и сегментации экземпляров в Ultralytics YOLO11, чтобы выявлять потенциальные заболевания растений, отслеживать домашний скот и обнаруживать заражение вредителями.

В частности, Ultralytics YOLO11 помогает выявлять ранние признаки заболеваний растений, опасных вредителей или нездоровых животных, анализируя изображения с дронов или камер. Такие системы ИИ для компьютерного зрения позволяют фермерам быстро принимать меры, чтобы остановить распространение проблем, сэкономить время и сократить потери.

Рис. 3. Пример использования YOLO11 для мониторинга посевов.

Поскольку условия на ферме постоянно меняются в зависимости от погоды и времени года, важно тестировать модели на разнообразных изображениях, чтобы убедиться в их эффективной работе в различных ситуациях. Использование интеграции DVCLive для дообучения Ultralytics YOLO11 в сельскохозяйственных приложениях — отличный способ отслеживать производительность модели, особенно при работе с разнообразными наборами данных.

Анализ поведения покупателей в розничной торговле#

Розничные магазины могут использовать ИИ и компьютерное зрение, чтобы понимать поведение покупателей и улучшать процесс покупок.

Анализируя видео с камер наблюдения, Ultralytics YOLO11 может отслеживать перемещения людей по магазину, определять зоны с наибольшим потоком посетителей и то, как покупатели взаимодействуют с товарами. Затем эти данные можно использовать для создания тепловых карт, показывающих, какие полки привлекают больше всего внимания, сколько времени покупатели проводят в разных проходах и замечают ли они рекламные витрины.

Обладая такой бизнес-аналитикой, владельцы магазинов могут менять расположение товаров для увеличения продаж, ускорять обслуживание на кассах и корректировать численность персонала, чтобы помогать покупателям там и тогда, где и когда это нужнее всего.

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

Розничные магазины часто имеют уникальные особенности, такие как различия в освещении, планировке и количестве посетителей. Из-за этих различий модели компьютерного зрения, используемые для анализа активности в магазине, необходимо тщательно тестировать и настраивать для каждой локации, чтобы обеспечить точность. Например, интеграция DVCLive помогает тонко настроить Ultralytics YOLO11, сделать модель более точной и надёжной для розничной торговли и получать более качественные сведения о поведении покупателей и работе магазина.

Основные выводы#

Дообучение Ultralytics YOLO11 с использованием интеграции DVCLive упрощает отслеживание и улучшение экспериментов в области компьютерного зрения. Интеграция автоматически регистрирует важные сведения, отображает понятные визуальные результаты и помогает сравнивать разные версии модели.

Пытаешься ли ты повысить продуктивность фермы или улучшить процесс покупок в магазине, эта интеграция обеспечит эффективную работу твоих моделей ИИ для компьютерного зрения. Благодаря отслеживанию экспериментов ты можешь систематически тестировать, совершенствовать и оптимизировать модели, добиваясь постоянного повышения точности и производительности.

Присоединяйся к нашему сообществу и изучай наш репозиторий на GitHub, чтобы узнать больше об ИИ для компьютерного зрения, а также ознакомься с вариантами лицензирования, чтобы начать свои проекты в области компьютерного зрения. Интересуешься такими инновациями, как ИИ в производстве или компьютерное зрение в беспилотном вождении? Посети наши страницы с решениями, чтобы узнать больше.