Theo dõi thử nghiệm với Ultralytics YOLO11 và DVC

Theo dõi và giám sát các thử nghiệm computer vision (thị giác máy tính), nơi máy móc được huấn luyện để diễn giải và hiểu dữ liệu trực quan, là một phần quan trọng trong việc phát triển và tinh chỉnh các mô hình Vision AI như Ultralytics YOLO11. Các thử nghiệm này thường liên quan đến việc thử nghiệm các tham số chính khác nhau và ghi lại các số liệu và kết quả từ nhiều lần chạy huấn luyện mô hình. Làm như vậy có thể giúp phân tích hiệu suất mô hình và thực hiện các cải tiến dựa trên dữ liệu cho mô hình. 

Nếu không có hệ thống theo dõi thử nghiệm được xác định rõ ràng, việc so sánh kết quả và thay đổi mô hình có thể trở nên phức tạp và dẫn đến sai sót. Trên thực tế, tự động hóa quy trình này là một lựa chọn tuyệt vời có thể đảm bảo tính nhất quán tốt hơn.

Đó chính xác là những gì tích hợp DVCLive được Ultralytics hỗ trợ hướng đến. DVCLive cung cấp một cách đơn giản để tự động ghi lại chi tiết thử nghiệm, trực quan hóa kết quả và quản lý theo dõi hiệu suất mô hình, tất cả trong một quy trình làm việc duy nhất.

Trong bài viết này, chúng ta sẽ thảo luận về cách sử dụng tích hợp DVCLive trong khi huấn luyện Ultralytics YOLO11. Chúng ta cũng sẽ xem xét các lợi ích của nó và cách nó giúp việc theo dõi thử nghiệm trở nên dễ dàng hơn để phát triển mô hình Vision AI tốt hơn.

DVCLive là gì?

DVCLive, được tạo bởi DVC (Data Version Control), là một công cụ mã nguồn mở đáng tin cậy được thiết kế để theo dõi các thử nghiệm machine learning. Thư viện DVCLive Python cung cấp một trình ghi nhật ký thử nghiệm theo thời gian thực, cho phép các nhà phát triển và nhà nghiên cứu AI theo dõi các số liệu và tham số của các thử nghiệm của họ. 

Ví dụ: nó có thể tự động ghi lại các số liệu hiệu suất mô hình chính, so sánh kết quả giữa các lần chạy huấn luyện và trực quan hóa hiệu suất mô hình. Các tính năng này cho phép DVCLive giúp bạn duy trì một quy trình machine learning có cấu trúc và có thể tái tạo.

‍

Các tính năng chính của DVCLive

Tích hợp DVCLive rất dễ sử dụng và có thể cải thiện các dự án computer vision của bạn bằng cách cung cấp trực quan hóa dữ liệu và các công cụ phân tích rõ ràng, dễ hiểu. Dưới đây là một số tính năng chính khác của DVCLive:

• Hỗ trợ nhiều framework: DVCLive có thể được sử dụng với các framework machine learning phổ biến khác. Điều này giúp việc kết hợp nó vào các quy trình làm việc hiện có và cải thiện khả năng theo dõi thử nghiệm trở nên đơn giản.

• Biểu đồ tương tác: Nó có thể được sử dụng để tự động tạo các biểu đồ tương tác từ dữ liệu, cung cấp các biểu diễn trực quan về các số liệu hiệu suất theo thời gian. 

• Thiết kế gọn nhẹ: DVCLive là một thư viện gọn nhẹ, linh hoạt và dễ truy cập, vì nó có thể được sử dụng trên các dự án và môi trường khác nhau.

Tại sao bạn nên sử dụng tích hợp DVCLive?

Khi bạn xem qua tài liệu Ultralytics và khám phá các tích hợp có sẵn, bạn có thể tự hỏi: Điều gì làm cho tích hợp DVCLive trở nên khác biệt và tại sao tôi nên chọn nó cho quy trình làm việc của mình?

Với các tích hợp như TensorBoard và MLflow cũng cung cấp các công cụ để theo dõi các số liệu và trực quan hóa kết quả, điều cần thiết là phải hiểu những phẩm chất độc đáo làm cho tích hợp này nổi bật. 

Dưới đây là lý do tại sao DVCLive có thể là một lựa chọn lý tưởng cho các dự án Ultralytics YOLO của bạn:

• Tối thiểu hóa chi phí phát sinh: DVCLive là một công cụ tuyệt vời để ghi nhật ký các số liệu thử nghiệm mà không làm tăng thêm bất kỳ tải tính toán hoặc lưu trữ bổ sung nào. Nó lưu nhật ký dưới dạng văn bản thuần túy hoặc tệp JSON, giúp dễ dàng tích hợp vào các quy trình làm việc hiện có mà không cần dựa vào các dịch vụ hoặc cơ sở dữ liệu bên ngoài.

• Tích hợp gốc với DVC: Được xây dựng bởi nhóm đằng sau DVC, DVCLive hoạt động trơn tru với hệ thống quản lý phiên bản dữ liệu và mô hình của DVC. Nó cũng cho phép người dùng theo dõi các phiên bản bộ dữ liệu, điểm kiểm tra mô hình và các thay đổi pipeline, làm cho nó trở nên lý tưởng cho các nhóm đã sử dụng DVC để tái tạo machine learning.

• Tương thích với Git: DVCLive tích hợp với Git, giúp bạn dễ dàng theo dõi các thay đổi, so sánh các mô hình và hoàn nguyên về các phiên bản trước đó trong khi vẫn giữ cho dữ liệu thử nghiệm được sắp xếp và kiểm soát phiên bản.

Bắt đầu với DVCLive 

Việc theo dõi quá trình huấn luyện mô hình Ultralytics YOLO11 bằng DVCLive đơn giản hơn bạn nghĩ. Sau khi các thư viện cần thiết được cài đặt và định cấu hình, bạn có thể nhanh chóng bắt đầu huấn luyện tùy chỉnh mô hình YOLO11 của mình.

Sau khi huấn luyện, bạn có thể điều chỉnh các cài đặt chính như epochs (số lần mô hình đi qua toàn bộ bộ dữ liệu), patience (thời gian chờ trước khi dừng nếu không có cải thiện) và kích thước hình ảnh mục tiêu (độ phân giải của hình ảnh được sử dụng để huấn luyện) để cải thiện độ chính xác. Sau đó, bạn có thể sử dụng công cụ trực quan hóa của DVCLive để so sánh các phiên bản khác nhau của mô hình và phân tích hiệu suất của chúng.

Để hiểu rõ hơn về quy trình huấn luyện mô hình và các phương pháp hay nhất, hãy xem tài liệu của chúng tôi về huấn luyện tùy chỉnh các mô hình Ultralytics YOLO.

Tiếp theo, hãy cùng tìm hiểu cách cài đặt và sử dụng tích hợp DVCLive trong khi huấn luyện tùy chỉnh YOLO11.

Cài đặt các yêu cầu

Trước khi bạn có thể bắt đầu huấn luyện YOLO11, bạn cần cài đặt cả gói Ultralytics Python và DVCLive. Tích hợp này đã được thiết kế theo cách mà cả hai thư viện hoạt động cùng nhau một cách liền mạch theo mặc định, vì vậy bạn không cần phải lo lắng về các cấu hình phức tạp.

Toàn bộ quá trình cài đặt có thể được hoàn thành chỉ trong vài phút với một lệnh Pip duy nhất, đây là một công cụ quản lý gói để cài đặt các thư viện Python, như được hiển thị trong hình bên dưới. 

‍

Sau khi bạn đã cài đặt các gói, bạn có thể thiết lập môi trường của mình và thêm các thông tin xác thực cần thiết để đảm bảo DVCLive chạy trơn tru. Thiết lập kho lưu trữ Git cũng hữu ích để theo dõi mã của bạn và bất kỳ thay đổi nào đối với cài đặt DVCLive của bạn. 

Để có hướng dẫn chi tiết từng bước và các mẹo hữu ích khác, hãy xem Hướng dẫn Cài đặt của chúng tôi. Trong trường hợp bạn gặp bất kỳ sự cố nào khi cài đặt các gói cần thiết, Hướng dẫn Các Vấn đề Thường gặp của chúng tôi có các giải pháp và tài nguyên để giúp bạn.

Thử nghiệm huấn luyện bằng DVCLive 

Sau khi phiên huấn luyện mô hình YOLO11 của bạn hoàn tất, bạn có thể sử dụng các công cụ trực quan hóa để phân tích kết quả một cách chuyên sâu. Cụ thể, bạn có thể sử dụng API của DVC để trích xuất dữ liệu và xử lý nó bằng Pandas (một thư viện Python giúp làm việc với dữ liệu dễ dàng hơn, chẳng hạn như sắp xếp nó thành các bảng để phân tích và so sánh) để dễ dàng xử lý và trực quan hóa hơn. 

Để có một cách tương tác và trực quan hơn để khám phá kết quả của bạn, bạn cũng có thể thử sử dụng biểu đồ tọa độ song song của Plotly (một loại biểu đồ hiển thị cách các tham số mô hình và kết quả hiệu suất khác nhau được kết nối). 

Cuối cùng, bạn có thể sử dụng những hiểu biết sâu sắc từ các hình ảnh trực quan này để đưa ra quyết định tốt hơn về việc tối ưu hóa mô hình, điều chỉnh siêu tham số hoặc thực hiện các sửa đổi khác để tăng hiệu suất tổng thể của nó. 

Các ứng dụng của YOLO11 và tích hợp DVCLive

Bây giờ chúng ta đã học cách cài đặt và trực quan hóa kết quả huấn luyện YOLO11 bằng tích hợp DVCLive, hãy khám phá một số ứng dụng mà tích hợp này có thể tăng cường.

Nông nghiệp và canh tác chính xác

Khi nói đến nông nghiệp và thu hoạch cây trồng để làm thực phẩm, độ chính xác có thể tạo ra một sự khác biệt lớn. Ví dụ: nông dân có thể sử dụng hỗ trợ của YOLO11 cho nhận dạng đối tượng và phân vùng thể hiện để xác định các bệnh tiềm ẩn của cây trồng, theo dõi vật nuôi và phát hiện sự xâm nhập của sâu bệnh. 

Đặc biệt, YOLO11 có thể giúp phát hiện sớm các dấu hiệu của bệnh thực vật, sâu bệnh có hại hoặc động vật không khỏe mạnh bằng cách phân tích hình ảnh từ máy bay không người lái hoặc máy ảnh. Các loại hệ thống Vision AI này cho phép nông dân hành động nhanh chóng để ngăn chặn các vấn đề lây lan, tiết kiệm thời gian và giảm tổn thất.

‍

Vì điều kiện trang trại liên tục thay đổi theo thời tiết và mùa, điều quan trọng là phải kiểm tra các mô hình trên nhiều hình ảnh khác nhau để đảm bảo chúng hoạt động tốt trong các tình huống khác nhau. Sử dụng tích hợp DVCLive để huấn luyện tùy chỉnh YOLO11 cho các ứng dụng nông nghiệp là một cách tuyệt vời để theo dõi hiệu suất của nó, đặc biệt là với các bộ dữ liệu đa dạng. 

Phân tích hành vi khách hàng trong bán lẻ

Các cửa hàng bán lẻ có thể sử dụng AI và thị giác máy tính để hiểu hành vi của khách hàng và thực hiện các cải tiến để nâng cao trải nghiệm mua sắm. 

Bằng cách phân tích video từ camera an ninh, YOLO11 có thể theo dõi cách mọi người di chuyển trong cửa hàng, khu vực nào có nhiều người qua lại nhất và cách người mua sắm tương tác với sản phẩm. Dữ liệu này sau đó có thể được sử dụng để tạo bản đồ nhiệt để giới thiệu kệ hàng nào thu hút nhiều sự chú ý nhất, khách hàng dành bao lâu ở các lối đi khác nhau và liệu các màn hình quảng cáo có được chú ý hay không. 

Với thông tin kinh doanh này, chủ cửa hàng có thể sắp xếp lại sản phẩm để tăng doanh số, tăng tốc hàng thanh toán và điều chỉnh nhân viên để hỗ trợ khách hàng ở nơi và khi họ cần nhất.

‍

Thông thường, các cửa hàng bán lẻ có những đặc điểm riêng, chẳng hạn như điều kiện ánh sáng, bố cục và quy mô đám đông khác nhau. Do những khác biệt này, các mô hình thị giác máy tính được sử dụng để phân tích hoạt động của cửa hàng cần được kiểm tra và điều chỉnh cẩn thận cho từng địa điểm để đảm bảo độ chính xác. Ví dụ: tích hợp DVCLive có thể giúp tinh chỉnh YOLO11, làm cho nó chính xác và đáng tin cậy hơn cho các ứng dụng bán lẻ, cho phép hiểu rõ hơn về hành vi của khách hàng và hoạt động của cửa hàng.

Những điều cần nhớ

Huấn luyện tùy chỉnh YOLO11 khi sử dụng tích hợp DVCLive giúp bạn dễ dàng theo dõi và cải thiện các thử nghiệm thị giác máy tính của mình. Nó tự động ghi lại các chi tiết quan trọng, hiển thị kết quả trực quan rõ ràng và giúp bạn so sánh các phiên bản khác nhau của mô hình. 

Cho dù bạn đang cố gắng tăng năng suất trang trại hay cải thiện trải nghiệm mua sắm trong một cửa hàng, tích hợp này đảm bảo các mô hình Vision AI của bạn hoạt động tốt. Với tính năng theo dõi thử nghiệm, bạn có thể có hệ thống kiểm tra, tinh chỉnh và tối ưu hóa các mô hình của mình, dẫn đến những cải tiến liên tục về độ chính xác và hiệu suất.

Tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về Vision AI và xem các tùy chọn cấp phép của chúng tôi để khởi động các dự án thị giác máy tính của bạn. Bạn quan tâm đến những đổi mới như AI trong sản xuất hoặc thị giác máy tính trong xe tự lái? Hãy truy cập các trang giải pháp của chúng tôi để khám phá thêm.