Theo dõi thí nghiệm với Ultralytics YOLO11 và DVC

Việc theo dõi và giám sát các thí nghiệm computer vision, nơi máy tính được huấn luyện để diễn giải và hiểu dữ liệu hình ảnh, là một phần quan trọng trong việc phát triển và tinh chỉnh các model vision AI như Ultralytics YOLO11. Các thí nghiệm này thường bao gồm việc thử nghiệm các tham số chính khác nhau và ghi lại các metric cũng như kết quả từ nhiều lần chạy huấn luyện model. Làm như vậy có thể giúp phân tích hiệu suất của model và đưa ra các cải tiến dựa trên dữ liệu cho model.

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

Đó chính xác là những gì mà DVCLive integration được hỗ trợ bởi Ultralytics hướng tới. DVCLive cung cấp một cách đơn giản để tự động ghi lại chi tiết thí nghiệm, trực quan hóa kết quả và quản lý việc theo dõi hiệu suất model, tất cả trong một workflow duy nhất.

Trong bài viết này, chúng ta sẽ thảo luận cách sử dụng DVCLive integration trong quá trình huấn luyện Ultralytics YOLO11. Chúng ta cũng sẽ xem xét các lợi ích của nó và cách công cụ này giúp việc theo dõi thí nghiệm trở nên dễ dàng hơn để phát triển vision AI model 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 học máy. Thư viện Python DVCLive cung cấp trình ghi nhật ký thử nghiệm thời gian thực, giúp các nhà phát triển và nhà nghiên cứu AI có thể theo dõi các chỉ số và tham số trong thử nghiệm của họ.

Ví dụ: nó có thể tự động ghi lại các chỉ số hiệu suất quan trọng của model, so sánh kết quả qua các lần chạy huấn luyện và trực quan hóa hiệu suất của model. Những tính năng này giúp DVCLive hỗ trợ bạn duy trì một quy trình làm việc học máy có cấu trúc và có khả năng tái lập.

Fig 1. Một cái nhìn nhanh về dashboard của DVCLive để theo dõi thí nghiệm.

Các tính năng chính của DVCLive#

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

• Hỗ trợ nhiều framework khác nhau: DVCLive có thể được sử dụng với các framework học máy phổ biến khác. Điều này giúp cho việc tích 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 chỉ số hiệu suất theo thời gian.

• Thiết kế gọn nhẹ: DVCLive là một thư viện gọn nhẹ, linh hoạt và dễ tiếp cận 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 đọc qua Ultralytics documentation và khám phá các integrations có sẵn, bạn có thể tự hỏi: Điều gì làm cho DVCLive integration trở nên khác biệt, và tại sao tôi nên chọn nó cho workflow của mình?

Với các integration như TensorBoard và MLflow cũng cung cấp các công cụ để theo dõi metric và trực quan hóa kết quả, việc hiểu rõ những đặc điểm độc đáo giúp integration này nổi bật là điều vô cùng cần thiết.

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

• Chi phí vận hành tối thiểu: DVCLive là một công cụ tuyệt vời để ghi lại các chỉ số thử nghiệm mà không làm tăng thêm gánh nặng về tính toán hoặc lưu trữ. Nó lưu nhật ký dưới dạng văn bản thuần túy hoặc tệp JSON, giúp dễ dàng tích hợp vào các quy trình hiện có mà không cần phụ thuộc vào các dịch vụ hoặc cơ sở dữ liệu bên ngoài.

• Tích hợp tự nhiên với DVC: Được xây dựng bởi đội ngũ đứng sau DVC, DVCLive hoạt động trơn tru với hệ thống quản lý phiên bản dữ liệu và model của DVC. Nó cũng cho phép người dùng theo dõi các phiên bản tập dữ liệu, checkpoint của model và các thay đổi trong pipeline, khiến nó trở nên lý tưởng cho các đội ngũ đang sử dụng DVC để đảm bảo khả năng tái lập trong học máy.

• Tương thích với Git: DVCLive tích hợp với Git, giúp dễ dàng theo dõi các thay đổi, so sánh các model và quay lại các phiên bản trước đó trong khi vẫn giữ dữ liệu thử nghiệm được tổ chức và quản lý phiên bản.

Bắt đầu với DVCLive#

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

Sau khi huấn luyện, bạn có thể điều chỉnh các cài đặt chính như epochs (số lần model chạy qua toàn bộ tập dữ liệu), patience (thời gian chờ trước khi dừng nếu không có cải thiện) và target image size (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 model và phân tích hiệu suất của chúng.

Để hiểu chi tiết hơn về quy trình huấn luyện model và các best practice, hãy xem tài liệu của chúng tôi về custom-training các Ultralytics YOLO model.

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

Cài đặt các yêu cầu#

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

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

Hình 2. Cài đặt Ultralytics và DVCLive.

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

Để có hướng dẫn chi tiết từng bước và các mẹo hữu ích khác, hãy xem Installation Guide của chúng tôi. Trong trường hợp bạn gặp phải bất kỳ sự cố nào khi cài đặt các package được yêu cầu, Common Issues Guide của chúng tôi có các giải pháp và tài nguyên để giúp bạn.

Huấn luyện thử nghiệm bằng cách sử dụng DVCLive#

Sau khi phiên huấn luyện model Ultralytics YOLO11 của bạn hoàn tất, bạn có thể sử dụng các công cụ trực quan hóa để phân tích chi tiết kết quả. Cụ thể, bạn có thể sử dụng API của DVC để trích xuất dữ liệu và xử lý bằng pandas (một thư viện Python giúp làm việc với dữ liệu dễ dàng hơn, chẳng hạn như tổ chức dữ liệu thành các bảng để phân tích và so sánh) để xử lý và trực quan hóa thuận tiện hơn.

Để có cách khám phá kết quả trực quan và tương tác hơn, bạn cũng có thể thử sử dụng biểu đồ tọa độ song song của Plotly (một loại biểu đồ cho thấy các tham số model và kết quả hiệu suất khác nhau được kết nối như thế nào).

Cuối cùng, bạn có thể sử dụng thông tin chi tiết từ các hình ảnh trực quan này để đưa ra quyết định tốt hơn về việc tối ưu hóa model, tinh chỉnh siêu tham số hoặc thực hiện các sửa đổi khác nhằm tăng cường hiệu suất tổng thể của nó.

Các ứng dụng của Ultralytics YOLO11 và tích hợp DVCLive#

Bây giờ chúng ta đã tìm hiểu cách cài đặt và trực quan hóa kết quả huấn luyện của YOLO11 thông qua tích hợp DVCLive, hãy cùng khám phá một số ứng dụng mà tích hợp này có thể hỗ trợ.

Nông nghiệp và canh tác chính xác#

Trong lĩnh vực nông nghiệp và thu hoạch mùa màng, độ chính xác có thể tạo ra sự khác biệt lớn. Ví dụ, nông dân có thể tận dụng sự hỗ trợ của YOLO11 đối với object detection và phân đoạn thực thể để nhận diện các dấu hiệu bệnh ở cây trồng, theo dõi vật nuôi và phát hiện dịch hại.

Cụ thể, YOLO11 có thể hỗ trợ phát hiện sớm các dấu hiệu bệnh cây, sâu bệnh có hại hoặc động vật bất thường bằng cách phân tích hình ảnh từ drone hoặc camera. Những hệ thống thị giác máy tính này giúp nông dân hành động nhanh chóng để ngăn chặn sự lây lan của dịch bệnh, từ đó tiết kiệm thời gian và giảm thiểu tổn thất.

Fig 3. Ví dụ về việc sử dụng YOLO11 để giám sát cây trồng.

Vì điều kiện nông nghiệp luôn thay đổi theo thời tiết và mùa vụ, việc kiểm thử các model trên đa dạng hình ảnh là rất quan trọng để đảm bảo chúng hoạt động tốt trong nhiều tình huống khác nhau. Việc sử dụng tích hợp DVCLive để huấn luyện tùy chỉnh YOLO11 cho các ứng dụng nông nghiệp là một giải pháp tối ưu để theo dõi hiệu suất của model, đặc biệt khi làm việc với các dataset 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 nhằm nâng cao trải nghiệm mua sắm.

Thông qua việc phân tích video từ camera an ninh, YOLO11 có thể theo dõi cách mọi người di chuyển trong cửa hàng, khu vực nào có lượng lưu lượng truy cập cao nhất và cách khách hàng tương tác với sản phẩm. Dữ liệu này sau đó có thể được sử dụng để tạo biểu đồ nhiệt nhằm làm nổi bật các kệ hàng thu hút nhiều sự chú ý nhất, thời gian khách hàng ở lại các lối đi khác nhau và liệu các màn hình quảng cáo có được chú ý hay không.

Với trí tuệ kinh doanh này, chủ cửa hàng có thể sắp xếp lại sản phẩm để tăng doanh số, đẩy nhanh tốc độ thanh toán tại các quầy thu ngân và điều chỉnh nhân sự để hỗ trợ khách hàng ở nơi và lúc họ cần nhất.

Fig 4. Ví dụ về một biểu đồ nhiệt được tạo bằng Ultralytics YOLO11 cho một trung tâm mua sắm.

Thông thường, các cửa hàng bán lẻ có những đặc điểm riêng biệt như điều kiện ánh sáng, bố cục và quy mô đám đông khác nhau. Do những sự khác biệt này, các model computer vision dùng để phân tích hoạt động của cửa hàng cần được kiểm thử kỹ lưỡng và tinh chỉnh cho từng địa điểm để đảm bảo độ chính xác. Ví dụ, tích hợp DVCLive có thể hỗ trợ tinh chỉnh YOLO11, giúp model trở nên chính xác và đáng tin cậy hơn cho các ứng dụng bán lẻ, từ đó mang lại những thông tin chi tiết tốt hơn về hành vi của khách hàng và hoạt động của cửa hàng.

Các điểm chính cần lưu ý#

Việc huấn luyện tùy chỉnh YOLO11 kết hợp sử dụng tích hợp DVCLive giúp việc theo dõi và cải thiện các thí nghiệm computer vision trở nên dễ dàng hơn. Hệ thống sẽ tự động ghi lại các chi tiết quan trọng, hiển thị kết quả trực quan rõ ràng và hỗ trợ bạn so sánh các phiên bản khác nhau của model.

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

Hãy tham gia our community và khám phá GitHub repository của chúng tôi để tìm hiểu thêm về vision AI, đồng thời xem qua our licensing options để bắt đầu các dự án computer vision của bạn. Quan tâm đến các đổi mới như AI in manufacturing hoặc computer vision in self-driving? Hãy truy cập các trang giải pháp của chúng tôi để khám phá thêm.