Theo dõi thử nghiệm với Ultralytics YOLO11 và DVC

Theo dõi và giám sát các thí nghiệm về thị giác máy tính , trong đó máy móc được đào tạo 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 thí nghiệm này thường bao gồm việc thử nghiệm các thông số chính khác nhau và ghi lại các số liệu và kết quả từ nhiều lần chạy đào tạo mô hình. Làm như vậy có thể giúp phân tích hiệu suất của 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 thực hiện thay đổi đối với các mô hình có thể trở nên phức tạp và dẫn đến lỗi. 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 mục đích mà tích hợp DVCLive được Ultralytics hỗ trợ. 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 đào tạo Ultralytics YOLO11. Chúng ta cũng sẽ xem xét các lợi ích của nó và cách nó giúp theo dõi thử nghiệm dễ dàng hơn để phát triển mô hình Vision AI tốt hơn.

DVCLive là gì?

DVCLive, do DVC (Data Version Control) tạo ra, là một công cụ nguồn mở đáng tin cậy được thiết kế để theo dõi các thí nghiệm học máy. Thư viện Python DVCLive cung cấp một trình ghi nhật ký thí nghiệm thời gian thực giúp các nhà phát triển và nghiên cứu AI có thể theo dõi các số liệu và thông số của các thí 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 đào tạo và trực quan hóa hiệu suất mô hình. Các tính năng này cho phép DVCLive giúp bạn duy trì quy trình học máy có cấu trúc và có thể tái tạo.

‍

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 công cụ phân tích và hình ảnh dữ liệu rõ ràng, dễ hiểu. Sau đây là một số tính năng chính khác của DVCLive:

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

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

• Thiết kế nhẹ : DVCLive là một thư viện nhẹ, linh hoạt và dễ truy cập vì có thể sử dụng trên nhiều 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 nên sự khác biệt của tích hợp DVCLive và tại sao tôi nên chọn tích hợp này cho quy trình làm việc của mình?

Với các tích hợp như TensorBoard và MLflow cũng cung cấp các công cụ theo dõi số liệu và trực quan hóa kết quả, điều quan trọng là phải hiểu được những phẩm chất độc đáo khiến tích hợp này trở nên nổi bật. 

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

• Chi phí tối thiểu: DVCLive là một công cụ tuyệt vời để ghi lại số liệu thử nghiệm mà không cần thêm bất kỳ tải tính toán hoặc lưu trữ nào. Nó lưu nhật ký dưới dạng tệp văn bản thuần túy hoặc JSON, giúp dễ dàng tích hợp vào 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 tập dữ liệu, điểm kiểm tra mô hình và thay đổi đường ống, khiến nó trở nên lý tưởng cho các nhóm đã sử dụng DVC để tái tạo khả năng học máy.

• Tương thích với Git: DVCLive tích hợp với Git, giúp dễ dàng theo dõi các thay đổi, so sánh các mô hình và quay lại phiên bản trước trong khi vẫn sắp xếp dữ liệu thử nghiệm và kiểm soát phiên bản.

Bắt đầu với DVCLive 

Theo dõi việc đào tạo mô hình YOLO11 của Ultralytics với DVCLive đơn giản hơn bạn nghĩ. Sau khi các thư viện cần thiết được cài đặt và cấu hình, bạn có thể nhanh chóng bắt đầu đào tạo tùy chỉnh mô hình YOLO11 của mình.

Sau khi đào tạo, bạn có thể điều chỉnh các thiết lập chính như epoch (số lần mô hình trải qua toàn bộ tập dữ liệu), persistence (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 đào tạo) 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 đào tạo mô hình và các biện pháp thực hành tốt nhất, hãy tham khảo tài liệu đào tạo tùy chỉnh các mô hình YOLO của Ultralytics.

Tiếp theo, chúng ta hãy cùng tìm hiểu cách cài đặt và sử dụng tích hợp DVCLive trong khi đào tạo tùy chỉnh YOLO11.

Cài đặt các yêu cầu

Trước khi bạn có thể bắt đầu đào tạo YOLO11, bạn sẽ cần cài đặt cả gói Ultralytics Python và DVCLive. Tích hợp này được thiết kế theo cách mà cả hai thư viện đều hoạt động liền mạch với nhau theo mặc định, do đó bạn không cần phải lo lắng về các cấu hình phức tạp.

Toàn bộ quá trình cài đặt có thể hoàn tất chỉ trong vài phút với một lệnh Pip, đây là công cụ quản lý gói để cài đặt thư viện Python, như hình ảnh bên dưới. 

‍

Sau khi cài đặt các gói, bạn có thể thiết lập môi trường và thêm 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 mọi thay đổi đối với cài đặt DVCLive của bạn. 

Để biết 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 cần thiết, Hướng dẫn sự cố thường gặp của chúng tôi có các giải pháp và tài nguyên để giúp bạn.

Đào tạo thử nghiệm sử dụng DVCLive 

Sau khi hoàn tất buổi đào tạo mô hình YOLO11, bạn có thể sử dụng các công cụ trực quan hóa để phân tích 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) để xử lý và trực quan hóa dễ dàng hơn. 

Để khám phá kết quả theo cách tương tác và trực quan hơn, 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 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 mô hình, điều chỉnh siêu tham số hoặc thực hiện các sửa đổi khác để tăng hiệu suất tổng thể của mô hình. 

Ứng dụng của YOLO11 và tích hợp DVCLive

Bây giờ chúng ta đã biết cách cài đặt và trực quan hóa kết quả đào tạo YOLO11 bằng cách sử dụng 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

Khi nói đến nông nghiệp và thu hoạch mùa màng để làm thực phẩm, độ chính xác có thể tạo ra sự khác biệt lớn. Ví dụ, nông dân có thể sử dụng hỗ trợ của YOLO11 để phát hiện đối tượng và phân đoạn trường hợp để xác định các bệnh tiềm ẩn trên 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 camera. 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 thiểu tổn thất.

‍

Vì điều kiện trang trại liên tục thay đổi theo thời tiết và mùa, nên điều quan trọng là phải thử nghiệm 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 đào tạo 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 tập 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 những 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 quanh 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 hiển thị kệ nào thu hút sự chú ý nhất, thời gian khách hàng dành ở các lối đi khác nhau và liệu 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, đẩy nhanh tốc độ thanh toán và điều chỉnh nhân viên để hỗ trợ khách hàng ở bất cứ nơi nào và bất cứ khi nào họ cần nhất.

‍

Thông thường, các cửa hàng bán lẻ có những đặc điểm riêng, chẳng hạn như điều kiện ánh sáng, cách bố trí 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, giúp 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 điểm chính

Việc đào tạo tùy chỉnh YOLO11 trong khi sử dụng tích hợp DVCLive giúp bạn dễ dàng theo dõi và cải thiện các thí 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 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 kiểm tra, tinh chỉnh và tối ưu hóa các mô hình của mình một cách có hệ thống, dẫn đến 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 có quan tâm đến những đổi mới như AI trong sản xuất hoặc thị giác máy tính trong xe tự lái không ? Truy cập các trang giải pháp của chúng tôi để khám phá thêm.