Theo dõi experiment với Ultralytics YOLO11 và DVC

Việc theo dõi và giám sát các thí nghiệm thị giác máy tính, trong đó máy được huấn luyện để diễn giải và hiểu dữ liệu hình ảnh, là một phần quan trọng trong quá trình phát triển và tinh chỉnh các model AI thị giác như Ultralytics YOLO11. Những thí nghiệm này thường bao gồm việc thử nghiệm các tham số chính khác nhau và ghi nhật ký metric cũng như kết quả từ nhiều lần chạy huấn luyện model. Việc này 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 thí 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 lỗi. Trên thực tế, tự động hóa quy trình này là một lựa chọn hiệu quả, giúp đảm bảo tính nhất quán tốt hơn.

Đó chính xác là mục tiêu của tích hợp DVCLive do Ultralytics hỗ trợ. DVCLive cung cấp một cách đơn giản hóa để tự động ghi nhật ký thông tin chi tiết về 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 tích hợp DVCLive trong quá trình huấn luyện Ultralytics YOLO11. Chúng ta cũng sẽ xem xét các lợi ích của tích hợp này và cách nó giúp việc theo dõi thí nghiệm trở nên dễ dàng hơn để phát triển model AI thị giác tốt hơn.

DVCLive là gì?#

DVCLive, được tạo bởi DVC (Kiểm soát phiên bản dữ liệu), là một công cụ nguồn mở đáng tin cậy được thiết kế để theo dõi các thí nghiệm machine learning. Thư viện Python DVCLive cung cấp một logger thí nghiệm theo thời gian thực, cho phép các nhà phát triển và nhà nghiên cứu AI theo dõi metric và tham số của thí nghiệm.

Ví dụ, công cụ này có thể tự động ghi nhật ký các metric hiệu suất chính của model, so sánh kết quả giữa các lần chạy huấn luyện và trực quan hóa hiệu suất model. Những tính năng này giúp DVCLive hỗ trợ bạn duy trì một workflow machine learning có cấu trúc và khả năng tái lập.

Hình 1. Xem nhanh dashboard của DVCLive để theo dõi thí nghiệm.

Các tính năng chính của DVCLive#

Tích hợp DVCLive dễ sử dụng và có thể cải thiện các dự án thị giác máy tính của bạn bằng cách cung cấp các hình ảnh trực quan hóa dữ liệu và 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 tích hợp công cụ vào các workflow hiện có và cải thiện khả năng theo dõi thí nghiệm trở nên đơn giản.

• Biểu đồ tương tác: Công cụ có thể tự động tạo các biểu đồ tương tác từ dữ liệu, cung cấp biểu diễn trực quan về các metric hiệu suất theo thời gian.

• Thiết kế gọn nhẹ: DVCLive là một thư viện gọn nhẹ, linh hoạt và dễ tiếp cận, có thể được sử dụng trong nhiều dự án và môi trường khác nhau.

Tại sao nên sử dụng tích hợp DVCLive?#

Khi xem qua tài liệu Ultralytics và khám phá các tích hợp hiện có, bạn có thể tự hỏi: Điều gì khiến tích hợp DVCLive khác biệt và tại sao tôi nên chọn nó cho workflow của mình?

Bên cạnh các tích hợp như TensorBoard và MLflow, vốn cũng cung cấp các công cụ theo dõi metric và trực quan hóa kết quả, việc hiểu những đặc điểm riêng giúp tích hợp này nổi bật là điều rất quan trọng.

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

• Chi phí phụ trợ tối thiểu: DVCLive là một công cụ hiệu quả để ghi nhật ký metric của thí nghiệm mà không tạo thêm tải tính toán hoặc lưu trữ. Công cụ lưu nhật ký dưới dạng tệp văn bản thuần túy hoặc JSON, giúp dễ dàng tích hợp vào các workflow hiện có mà không phụ thuộc vào dịch vụ hoặc cơ sở dữ liệu bên ngoài.

• Tích hợp gốc với DVC: Được xây dựng bởi đội ngũ đứng sau DVC, DVCLive hoạt động mượt mà với hệ thống versioning dữ liệu và model của DVC. Công cụ cũng cho phép người dùng theo dõi các phiên bản dataset, checkpoint của model và thay đổi trong pipeline, rất phù hợp với các đội ngũ đã sử dụng DVC để đảm bảo khả năng tái lập trong machine learning.

• Tương thích với Git: DVCLive tích hợp với Git, giúp dễ dàng theo dõi thay đổi, so sánh các model và quay lại các phiên bản trước đó, đồng thời giữ cho dữ liệu thí nghiệm được sắp xếp và quản lý phiên bản.

Bắt đầu với DVCLive#

Theo dõi quá trình huấn luyện model Ultralytics YOLO11 bằng DVCLive đơn giản hơn bạn nghĩ. Sau khi cài đặt và cấu hình các thư viện cần thiết, bạn có thể nhanh chóng bắt đầu custom-training model YOLO11 của mình.

Sau khi huấn luyện, bạn có thể điều chỉnh các thiết lập chính như epochs (số lần model đi qua toàn bộ dataset), patience (thời gian chờ trước khi dừng nếu không có cải thiện) và kích thước ảnh mục tiêu (độ phân giải của 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 phương pháp hay nhất, hãy xem tài liệu của chúng tôi về custom-training các model Ultralytics YOLO.

Tiếp theo, hãy cùng tìm hiểu cách cài đặt và sử dụng tích hợp DVCLive trong quá trình custom-training Ultralytics YOLO11.

Cài đặt các yêu cầu#

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

Toàn bộ quá trình cài đặt có thể hoàn tất chỉ trong vài phút bằng một lệnh pip duy nhất, trong đó pip là công cụ quản lý package dùng để cài đặt các thư viện Python, như minh họa trong hình bên dưới.

Hình 2. Cài đặt Ultralytics và DVCLive.

Sau khi cài đặt các package, bạn có thể thiết lập môi trường và thêm các thông tin xác thực cần thiết để đảm bảo DVCLive hoạt động ổn định. Việc thiết lập một repository Git cũng hữu ích để theo dõi code và mọi thay đổi đối với thiết lập DVCLive.

Để xem hướng dẫn từng bước chi tiết và các mẹo hữu ích khác, hãy tham khảo Hướng dẫn cài đặt của chúng tôi. Nếu gặp vấn đề trong quá trình cài đặt các package cần thiết, Hướng dẫn xử lý các vấn đề thường gặp cung cấp các giải pháp và tài nguyên hỗ trợ bạn.

Huấn luyện thí nghiệm bằng DVCLive#

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

Để khám phá kết quả theo cách trực quan và có tính tương tác cao hơn, bạn cũng có thể thử sử dụng biểu đồ tọa độ song song của Plotly (một dạng biểu đồ thể hiện mối liên hệ giữa các tham số khác nhau của model và kết quả hiệu suất).

Cuối cùng, bạn có thể sử dụng thông tin thu được từ các hình ảnh trực quan hóa này để đưa ra quyết định tốt hơn về việc tối ưu hóa model, tuning hyperparameter hoặc thực hiện các sửa đổi khác nhằm nâng cao hiệu suất tổng thể.

Các ứng dụng của Ultralytics YOLO11 và tích hợp DVCLive#

Sau khi đã tìm hiểu cách cài đặt và trực quan hóa kết quả huấn luyện Ultralytics YOLO11 bằng tích hợp DVCLive, hãy cùng khám phá một số ứng dụng mà tích hợp này có thể nâng cao.

Nông nghiệp và canh tác chính xác#

Trong nông nghiệp và hoạt động thu hoạch cây trồng làm thực phẩm, độ chính xác có thể tạo ra khác biệt rất lớn. Ví dụ, nông dân có thể sử dụng khả năng hỗ trợ phát hiện đối tượng và phân đoạn instance của Ultralytics YOLO11 để xác định các bệnh tiềm ẩn trên cây trồng, theo dõi vật nuôi và phát hiện sự xâm nhập của sâu bệnh.

Cụ thể, Ultralytics YOLO11 có thể giúp phát hiện sớm các dấu hiệu bệnh cây, 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 nhanh chóng hành động để ngăn vấn đề lan rộng, tiết kiệm thời gian và giảm tổn thất.

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

Vì điều kiện trang trại liên tục thay đổi theo thời tiết và mùa vụ, việc kiểm thử model trên nhiều loại hình ảnh là rất quan trọng để đảm bảo model hoạt động tốt trong các tình huống khác nhau. Sử dụng tích hợp DVCLive để custom-training Ultralytics YOLO11 cho các ứng dụng nông nghiệp là một cách hiệu quả để theo dõi hiệu suất, đặc biệt 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 khách hàng và thực hiện các cải tiến nhằm nâng cao trải nghiệm mua sắm.

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

Với business intelligence này, chủ cửa hàng có thể sắp xếp lại sản phẩm để tăng doanh số, rút ngắn thời gian xếp hàng thanh toán và điều chỉnh nhân sự để hỗ trợ khách hàng tại nơi và thời điểm họ cần nhất.

Hình 4. Ví dụ về heatmap được tạo bằng Ultralytics YOLO11 cho một trung tâm mua sắm.

Các cửa hàng bán lẻ thường 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 model thị giác máy tính được sử dụng để phân tích hoạt động trong cửa hàng cần được kiểm thử và điều chỉnh cẩn thận cho từng địa điểm nhằm đảm bảo độ chính xác. Ví dụ, tích hợp DVCLive có thể giúp tinh chỉnh Ultralytics YOLO11, khiến model chính xác và đáng tin cậy hơn cho các ứng dụng bán lẻ, từ đó cung cấp thông tin chuyên sâu hơn về hành vi khách hàng và hoạt động cửa hàng.

Những điểm chính#

Custom-training Ultralytics YOLO11 cùng với tích hợp DVCLive giúp việc theo dõi và cải thiện các thí nghiệm thị giác máy tính trở nên dễ dàng hơn. Công cụ tự động ghi nhật ký các thông tin quan trọng, hiển thị kết quả trực quan rõ ràng và hỗ trợ bạn so sánh các phiên bản khác nhau của model.

Dù bạn đang cố gắng nâng cao năng suất trang trại hay cải thiện trải nghiệm mua sắm trong cửa hàng, tích hợp này vẫn đảm bảo các model AI thị giác của bạn hoạt động tốt. Với việc theo dõi thí nghiệm, bạn có thể kiểm thử, tinh chỉnh và tối ưu hóa model một cách có hệ thống, từ đó liên tục cải thiện độ chính xác và hiệu suất.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub để tìm hiểu thêm về AI thị giác, đồng thời xem các tùy chọn cấp phép của chúng tôi để bắt đầu các dự án thị giác máy tính. 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.