Theo dõi thí nghiệm với Ultralytics YOLO11 và DVC

Việc theo dõi và giám sát các thử nghiệm thị giác máy tính, nơi các máy học 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 AI thị giác như Ultralytics YOLO11. Các thử nghiệm này thường liên quan đến việc kiểm tra các tham số then chốt khác nhau và ghi lại các chỉ số cũng như kết quả từ nhiều lần huấn luyện model. Làm như vậy có thể giúp phân tích hiệu suất của model và thực hiện 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 mục tiêu của tích hợp DVCLive được Ultralytics hỗ trợ. DVCLive cung cấp một cách đơn giản hóa để tự động ghi lại các chi tiết thử nghiệm, trực quan hóa kết quả và quản lý việc theo dõi hiệu suất của model, tất cả trong một quy trình làm việc duy nhất.

Trong bài viết này, chúng ta sẽ thảo luận 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 model AI thị giác tốt hơn.

Link to this sectionDVCLive 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.

Hình 1. Cái nhìn nhanh về bảng điều khiển của DVCLive để theo dõi thử nghiệm.

Link to this sectionCác tính năng chính của DVCLive#

Tích hợp DVCLive rất dễ sử dụng và có thể cải thiện các dự án thị giác máy tính của bạn bằng cách cung cấp các công cụ phân tích và trực quan hóa dữ liệu 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.

Link to this sectionTại sao bạn nên sử dụng tích hợp DVCLive?#

Khi bạn xem qua tài liệu của Ultralytics và khám phá các tích hợp khả dụng, 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, vốn cũng cung cấp các công cụ để theo dõi chỉ số và trực quan hóa kết quả, việc hiểu được những phẩm chất độc đáo làm nên sự nổi bật của tích hợp này là điều 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.

Link to this sectionBắt 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 sâu hơn về quy trình huấn luyện model và các phương pháp hay nhất, hãy xem tài liệu của chúng tôi về tùy chỉnh huấn luyện các model Ultralytics YOLO.

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

Link to this sectionCài đặt các yêu cầu#

Trước khi bạn có thể bắt đầu huấn luyện YOLO11, bạn cần cài đặt cả gói Python Ultralytics 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 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 từng bước chi tiết 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 bắt buộc, Hướng dẫn về các vấn đề phổ biến của chúng tôi có các giải pháp và tài nguyên để giúp bạn.

Link to this sectionHuấn luyện thử nghiệm bằng cách sử dụng DVCLive#

Sau khi phiên huấn luyện model YOLO11 của bạn hoàn tất, bạn có thể sử dụng các công cụ trực quan hóa để phân tích kết quả chuyên sâu. 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, như sắp xếp dữ liệu vào 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.

Link to this sectionCác ứng dụng của YOLO11 và tích hợp DVCLive#

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

Link to this sectionNông nghiệp và canh tác chính xác#

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

Cụ thể, YOLO11 có thể giúp phát hiện các dấu hiệu sớm của bệnh thực vật, sâu bệnh có hại hoặc vật nuôi không khỏe mạnh bằng cách phân tích hình ảnh từ drone hoặc camera. Những hệ thống AI thị giác này cho phép nông dân hành động nhanh chóng để ngăn chặn các vấn đề lan rộng, tiết kiệm thời gian và giảm tổn thất.

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

Vì điều kiện trang trại liên tục thay đổi theo thời tiết và mùa vụ, điều quan trọng là phải kiểm tra các model 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 tùy chỉnh huấn luyện YOLO11 cho các ứng dụng nông nghiệp là một cách tuyệt vời để theo dõi hiệu suất của nó, đặc biệt là với các tập dữ liệu đa dạng.

Link to this sectionPhân 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.

Bằng cách phân tích video từ camera an ninh, YOLO11 có thể theo dõi cách mọi người di chuyển trong cửa hàng, những khu vực nào có lượng người qua lại nhiều nhất và cách khách hàng tương tác với sản phẩm. Dữ liệu này sau đó có thể được sử dụng để tạo bản đồ nhiệt (heatmaps) nhằm hiển thị các kệ hàng nào thu hút nhiều sự chú ý nhất, khách hàng dành bao nhiêu thời gian trong 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.

Hình 4. Ví dụ về bản đồ nhiệt được tạo bằng YOLO11 cho một trung tâm mua sắm.

Thông thường, các cửa hàng bán lẻ có những đặc điểm riêng biệt, chẳng hạn như điều kiện ánh sáng, bố cục và mật độ đám đông khác nhau. Do những khác biệt này, các model thị giác máy tính được sử dụng để phân tích hoạt động tại 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 biết tốt hơn về hành vi khách hàng và hoạt động của cửa hàng.

Link to this sectionCác điểm chính cần lưu ý#

Việc tùy chỉnh huấn luyện YOLO11 trong khi sử dụng tích hợp DVCLive giúp việc theo dõi và cải thiện các thử nghiệm thị giác máy tính của bạn trở nên dễ dàng hơn. 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 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.

Tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu thêm về AI thị giác, đồng thời 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 các 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.