Отслеживание экспериментов с Ultralytics YOLO11 и DVC

Отслеживание и мониторинг экспериментов с computer vision, где машины обучаются интерпретировать и понимать визуальные данные, — важнейшая часть разработки и настройки моделей vision AI, таких как Ultralytics YOLO11. Эти эксперименты часто включают тестирование различных ключевых параметров, а также запись метрик и результатов нескольких запусков обучения модели. Это помогает проанализировать производительность модели и внести в нее улучшения на основе 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 делать интеграция с DVCLive, поддерживаемая Ultralytics. DVCLive предоставляет простой способ автоматически записывать детали экспериментов, визуализировать результаты и управлять отслеживанием производительности моделей в рамках единого рабочего процесса.

В этой статье мы обсудим, как использовать интеграцию с DVCLive при обучении Ultralytics YOLO11. Мы также рассмотрим ее преимущества и то, как она упрощает отслеживание экспериментов для более эффективной разработки моделей vision AI.

Что 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.

Ключевые особенности DVCLive#

Интеграция с DVCLive проста в использовании и может улучшить твои проекты по компьютерному зрению, предоставляя понятные визуализации данных и инструменты 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.

Почему тебе стоит использовать интеграцию DVCLive?#

Изучая документацию Ultralytics и доступные интеграции, ты можешь задать себе вопрос: чем отличается интеграция с DVCLive и почему стоит выбрать ее для своего рабочего процесса?

Учитывая такие интеграции, 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.

Начало 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 детального понимания процесса обучения моделей и лучших практик ознакомься с нашей документацией по обучению на пользовательских данных моделей Ultralytics YOLO.

Давай разберем, как установить и использовать интеграцию с DVCLive при пользовательском обучении Ultralytics YOLO11.

Установка требований#

Прежде чем ты сможешь начать обучение YOLO11, тебе нужно установить как пакет Ultralytics для Python, так и DVCLive. Эта интеграция разработана таким образом, что обе библиотеки беспрепятственно работают вместе по умолчанию, поэтому тебе не придется 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.

Подробные пошаговые инструкции и другие полезные советы ты найдешь в нашем Руководстве по установке. Если у тебя возникнут какие-либо проблемы при установке необходимых пакетов, в нашем Руководстве по частым проблемам есть решения и ресурсы, которые тебе помогут.

Обучение экспериментов с использованием DVCLive#

После завершения сеанса обучения твоей модели Ultralytics YOLO11 ты можешь использовать инструменты визуализации для глубокого анализа результатов. В частности, ты можешь использовать API DVC для извлечения данных и их обработки с помощью pandas (библиотеки Python, которая упрощает работу с данными, например, организуя их в таблицы для анализа и сравнения) для более удобной работы 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.

Применение Ultralytics YOLO11 и интеграции с DVCLive#

Теперь, когда ты узнал, как установить и визуализировать результаты обучения Ultralytics YOLO11 с помощью интеграции DVCLive, давай изучим некоторые приложения, которые эта интеграция может улучшить.

Сельское хозяйство и точное земледелие#

В сельском хозяйстве и при сборе урожая точность имеет огромное значение. Например, фермеры могут использовать поддержку обнаружения объектов и сегментации экземпляров в Ultralytics YOLO11 для выявления потенциальных болезней сельскохозяйственных культур, отслеживания скота и обнаружения нашествий вредителей.

В частности, Ultralytics YOLO11 помогает вовремя заметить ранние признаки болезней растений, вредителей или нездоровых животных, анализируя изображения с дронов или камер. Такие системы компьютерного зрения позволяют фермерам действовать быстро, чтобы остановить распространение проблем, экономя время и сокращая убытки.

Рис. 3. Пример использования YOLO11 для мониторинга посевов.

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

Анализ 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 видеонаблюдения, Ultralytics YOLO11 может отслеживать перемещения людей по магазину, зоны с наибольшим пешеходным трафиком и взаимодействие покупателей с товарами. Эти данные затем можно использовать для создания тепловых карт, показывающих, какие полки привлекают больше всего внимания, сколько времени клиенты проводят в разных проходах и замечают ли рекламные дисплеи.

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 помощью Ultralytics YOLO11 для торгового центра.

Розничные магазины часто имеют уникальные особенности, такие как меняющееся освещение, планировка и размер толпы. Из-за этих различий модели компьютерного зрения, используемые для анализа активности в магазине, должны тщательно тестироваться и настраиваться для каждой локации для обеспечения точности. Например, интеграция DVCLive помогает дообучать Ultralytics YOLO11, делая ее более точной и надежной для ритейла, что позволяет лучше понимать поведение клиентов и работу магазина.

Основные выводы#

Кастомное обучение Ultralytics YOLO11 с использованием интеграции DVCLive упрощает отслеживание и улучшение твоих экспериментов в области компьютерного зрения. Она автоматически записывает важные детали, отображает наглядные 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 изучай наш репозиторий на GitHub, чтобы узнать больше о vision AI, а также ознакомься с нашими вариантами лицензирования, чтобы дать старт своим проектам в области компьютерного зрения. Интересуешься такими инновациями, как ИИ в производстве или компьютерное зрение в беспилотных автомобилях? Посети страницы наших решений, чтобы узнать больше.