Theo dõi thí nghiệm với Ultralytics YOLO11 và DVC

Theo dõi và giám sát các thử nghiệm thị giác máy tính, trong đó máy móc được huấn luyện để diễn giải và hiểu dữ liệu hình ảnh, là phần thiết yếu trong quá trình phát triển và tinh chỉnh các model AI thị giác như Ultralytics YOLO11. Những thử nghiệm này thường bao gồm việc kiểm tra các tham số chính khác nhau và ghi lại chỉ số cùng kết quả từ nhiều lần chạy huấn luyện model. Việc này có thể giúp phân tích hiệu suất model và cải thiện model dựa trên dữ liệu.

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

Đó chính là mục tiêu của tích hợp DVCLive do Ultralytics hỗ trợ. DVCLive cung cấp cách đơn giản hóa để tự động ghi lại thông tin chi tiết của thử nghiệm, trực quan hóa kết quả và quản lý việc theo dõi hiệu suất model trong cùng một quy trình.

Trong bài viết này, chúng ta sẽ thảo luận cách sử dụng tích hợp DVCLive khi huấn luyện Ultralytics YOLO11. Chúng ta cũng sẽ tìm hiểu các lợi ích của tích hợp này và cách tích hợp giúp theo dõi thử nghiệm dễ dàng hơn để phát triển model AI thị giác hiệu quả hơn.

DVCLive là gì?#

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

Ví dụ, công cụ này có thể tự động ghi lại các chỉ số hiệu năng chính của model, so sánh kết quả giữa các lần chạy huấn luyện và trực quan hóa hiệu năng model. Những tính năng này giúp DVCLive duy trì quy trình học máy có cấu trúc và khả năng tái lập.

Hình 1. Tổng quan nhanh về dashboard theo dõi thử nghiệm của DVCLive.

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 trực quan hóa dữ liệu rõ ràng, dễ hiểu cùng các công cụ phân tích. Dưới đây là một số tính năng chính khác của DVCLive:

• Hỗ trợ nhiều framework: Có thể sử dụng DVCLive với các framework machine learning phổ biến khác. Nhờ đó, việc tích hợp DVCLive vào quy trình hiện có và cải thiện khả năng theo dõi thử nghiệm trở nên đơn giản.
• Biểu đồ tương tác: Có thể dùng công cụ này để tự động tạo biểu đồ tương tác từ dữ liệu, cung cấp hình ảnh trực quan về các chỉ số hiệu suất theo thời gian.
• Thiết kế gọn nhẹ: DVCLive là thư viện gọn nhẹ, linh hoạt và dễ tiếp cận vì có thể sử dụng trong nhiều dự án và môi trường khác nhau.

Vì 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 nổi bật và vì sao nên chọn tích hợp này cho quy trình của mình?

Các tích hợp như TensorBoard và MLflow cũng cung cấp công cụ theo dõi chỉ số và trực quan hóa kết quả; vì vậy, việc hiểu rõ những điểm độc đáo giúp tích hợp này nổi bật là điều thiết yếu.

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

• Chi phí vận hành tối thiểu: DVCLive là công cụ hữu ích để ghi lại các chỉ số thử nghiệm với mức tiêu hao tài nguyên tính toán hoặc dung lượng lưu trữ tối thiểu. Công cụ lưu nhật ký dưới dạng tệp văn bản thuần hoặc JSON, giúp dễ dàng tích hợp vào quy trình làm việc hiện có mà không cần phụ thuộc vào dịch vụ hoặc cơ sở dữ liệu bên ngoài.
• Tích hợp gốc với DVC: Được xây dựng bởi đội ngũ phát triển DVC, DVCLive hoạt động liền mạch với hệ thống quản lý phiên bản dữ liệu và model của DVC. Công cụ cũng cho phép người dùng theo dõi phiên bản bộ dữ liệu, checkpoint của model và các thay đổi trong pipeline, rất phù hợp với những nhóm 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 model và quay lại các phiên bản trước, đồng thời giữ cho dữ liệu thử nghiệm luôn được sắp xếp và quản lý phiên bản.

Bắt đầu sử dụng 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 huấn luyện tùy chỉnh model YOLO11.

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

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

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

Cài đặt các thư viện cần thiết#

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

Toàn bộ quá trình cài đặt có thể hoàn tất chỉ trong vài phút bằng một lệnh duy nhất với pip, trình quản lý gói dành cho 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 thông tin xác thực cần thiết để DVCLive hoạt động trơn tru. Thiết lập một Git repository cũng hữu ích để theo dõi code và mọi thay đổi đối với cài đặt DVCLive.

Để xem hướng dẫn từng bước chi tiết và các mẹo hữu ích khác, hãy tham khảo Hướng dẫn cài đặt. Nếu gặp sự cố khi cài đặt các package cần thiết, Hướng dẫn xử lý sự cố thường gặp có các giải pháp và tài nguyên hỗ trợ bạn.

Huấn luyện thử nghiệm bằng DVCLive#

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

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

Cuối cùng, bạn có thể sử dụng thông tin chuyên sâu từ những 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 điều chỉnh khác nhằm nâng cao hiệu năng tổng thể.

Ứng dụng của tích hợp Ultralytics YOLO11 và DVCLive#

Giờ đây, khi đã biết 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 hỗ trợ.

Nông nghiệp và canh tác chính xác#

Trong nông nghiệp và thu hoạch cây trồng làm thực phẩm, độ chính xác có thể tạo nên khác biệt lớn. Chẳng hạn, nông dân có thể tận 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 dấu hiệu bệnh cây trồng, sâu bệnh gây hại hoặc vật nuôi không khỏe mạnh bằng cách phân tích hình ảnh từ drone hoặc camera. Các hệ thống AI thị giác này giúp nông dân hành động nhanh chóng để ngăn vấn đề lan rộng, tiết kiệm thời gian và giảm thiểu tổn thất.

Hình 3. Ví dụ sử dụng YOLO11 để theo dõi cây trồng.

Do điều kiện trang trại liên tục thay đổi theo thời tiết và mùa vụ, việc kiểm thử model trên nhiều loại hình ảnh để đảm bảo model hoạt động tốt trong các tình huống khác nhau là rất quan trọng. Sử dụng tích hợp DVCLive để huấn luyện tùy chỉnh Ultralytics YOLO11 cho các ứng dụng nông nghiệp là cách hiệu quả để theo dõi hiệu năng, 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 tìm hiểu hành vi khách hàng và cải thiện 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, khu vực nào có nhiều người qua lại nhất và cách khách mua sắm tương tác với sản phẩm. Sau đó, dữ liệu này có thể được dùng để tạo heatmap, cho thấy 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 chuyên sâu về hoạt động kinh doanh này, chủ cửa hàng có thể sắp xếp lại sản phẩm để tăng doanh số, rút ngắn hàng chờ thanh toán và điều chỉnh nhân sự để hỗ trợ khách hàng tại nơi và thời điểm họ cần nhất.

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

Các cửa hàng bán lẻ thường có đặc điểm riêng, chẳng hạn như điều kiện chiếu sáng, bố cục và quy mô đám đông khác nhau. Do những khác biệt này, các model thị giác máy tính dùng để phân tích hoạt động cửa hàng cần được kiểm tra và điều chỉnh cẩn thận cho từng địa điểm nhằm đảm bảo độ chính xác. Ví dụ, tích hợp DVCLive có thể giúp theo dõi các lần chạy tinh chỉnh Ultralytics YOLO11, giúp xây dựng các model chính xác và đáng tin cậy hơn cho ứng dụng bán lẻ, qua đó hiểu rõ hơn về hành vi khách hàng và hoạt động cửa hàng.

Điểm chính cần ghi nhớ#

Huấn luyện tùy chỉnh Ultralytics YOLO11 cùng với tích hợp DVCLive giúp việc theo dõi và cải thiện các thử nghiệm thị giác máy tính trở nên dễ dàng hơn. Tích hợp này 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 model khác nhau.

Dù bạn đang tìm cách nâng cao năng suất trang trại hay cải thiện trải nghiệm mua sắm tại cửa hàng, tích hợp này giúp bạn xác minh hiệu năng của các model AI thị giác. Với tính năng theo dõi thử nghiệm, bạn có thể kiểm tra, tinh chỉnh và tối ưu hóa model một cách có hệ thống, từ đó liên tục cải thiện độ chính xác và hiệu năng.

Tham gia cộng đồng của chúng tôi và khám phá GitHub repository của chúng tôi để tìm hiểu thêm về AI thị giác, đồng thời xem các tùy chọn cấp phép để bắt đầu các dự án thị giác máy tính. Bạn quan tâm đến những đổi mới như AI trong sản xuất hay thị giác máy tính trong xe tự lái? Truy cập các trang giải pháp của chúng tôi để tìm hiểu thêm.