使用 Ultralytics YOLO11 和 DVC 进行实验跟踪

跟踪和监控 计算机视觉 实验（机器通过训练来解读和理解视觉数据）是开发和微调诸如 Ultralytics YOLO11 等视觉 AI 模型的关键环节。这些实验通常涉及测试不同的关键参数，并记录多次模型训练运行的指标和结果。这样做有助于分析模型性能，并对模型进行基于数据的改进。

如果没有定义完善的实验跟踪系统，比较结果和修改模型可能会变得复杂并导致错误。事实上，自动化此过程是一个确保更好一致性的绝佳选择。

这正是 Ultralytics 支持的 DVCLive 集成 旨在实现的目标。DVCLive 提供了一种简化的方式，可以在单一工作流中自动记录实验详细信息、可视化结果并管理模型性能跟踪。

在本文中，我们将讨论如何在训练 Ultralytics YOLO11 时使用 DVCLive 集成。我们还将探讨它的优势，以及它如何使实验跟踪变得更简单，从而实现更好的 视觉 AI 模型 开发。

Link to this section什么是 DVCLive？#

DVCLive 由 DVC（Data Version Control）创建，是一款可靠的开源工具，专为跟踪机器学习实验而设计。DVCLive Python 库提供了一个实时实验记录器，使 AI 开发人员和研究人员能够跟踪其实验的指标和参数。

例如，它可以自动记录关键模型性能指标，跨训练运行比较结果，并可视化模型性能。这些功能使 DVCLive 能够帮助你维护结构化且可复现的机器学习工作流。

图 1. 快速查看 DVCLive 的实验跟踪仪表板。

Link to this sectionDVCLive 的主要功能#

DVCLive 集成易于使用，可以通过提供清晰、易懂的 数据可视化 和分析工具来改善你的计算机视觉项目。以下是 DVCLive 的一些其他主要功能：

• 支持多种框架：DVCLive 可与其他流行的机器学习框架一起使用。这使得将其整合到现有工作流中并提高实验跟踪能力变得非常直观。

• 交互式绘图：它可用于自动从数据生成交互式绘图，提供随时间变化的性能指标的可视化表示。

• 轻量级设计：DVCLive 是一个轻量级、灵活且易于访问的库，因为它可以在不同的项目和环境中使用。

Link to this section你为什么要使用 DVCLive 集成？#

当你浏览 Ultralytics 文档 并探索可用的 集成 时，你可能会问：DVCLive 集成有何不同，为什么我应该在工作流中选择它？

由于 TensorBoard 和 MLflow 等集成也提供了跟踪指标和可视化结果的工具，了解使此集成脱颖而出的独特品质至关重要。

以下是为什么 DVCLive 可以成为你 Ultralytics YOLO 项目的理想选择的原因：

• 极低的开销： DVCLive 是记录实验指标且不增加任何额外计算或存储负载的绝佳工具。它将日志保存为纯文本或 JSON 文件，从而可以轻松整合到现有工作流中，而无需依赖外部服务或数据库。

• 与 DVC 的原生集成： DVCLive 由 DVC 背后的团队打造，与 DVC 的数据和模型版本控制系统配合顺畅。它还允许用户跟踪数据集版本、模型检查点和流水线更改，非常适合已经使用 DVC 进行机器学习可复现性的团队。

• 与 Git 兼容： DVCLive 与 Git 集成，可以轻松跟踪更改、比较模型并恢复到以前的版本，同时保持实验数据有组织且受版本控制。

Link to this sectionDVCLive 入门#

使用 DVCLive 跟踪 Ultralytics YOLO11 模型训练比你预期的要简单。一旦安装并配置了必要的库，你就可以快速开始自定义训练 YOLO11 模型。

训练完成后，你可以调整关键设置（如 epochs（模型遍历整个数据集的次数）、patience（如果没有改进，停止前等待的时间）和目标图像尺寸（用于训练的图像分辨率））以提高准确性。然后，你可以使用 DVCLive 的可视化工具来比较模型的不同版本并分析其性能。

要更详细地了解模型训练过程和最佳实践，请查看我们的 自定义训练 Ultralytics YOLO 模型文档。

接下来，让我们逐步了解如何在自定义训练 YOLO11 时安装和使用 DVCLive 集成。

Link to this section安装要求#

在开始训练 YOLO11 之前，你需要安装 Ultralytics Python 包 和 DVCLive。此集成经过专门设计，默认情况下这两个库可以无缝协作，因此无需担心复杂的配置。

整个安装过程只需几分钟，通过一条 pip 命令（用于安装 Python 库的包管理工具）即可完成，如下图所示。

图 2. 安装 Ultralytics 和 DVCLive。

安装这些包后，你可以设置环境并添加必要的凭据，以确保 DVCLive 顺利运行。建立 Git 仓库也有助于跟踪你的代码以及对 DVCLive 设置的任何更改。

有关详细的分步说明和其他有用的提示，请查看我们的 安装指南。如果你在安装所需包时遇到任何问题，我们的 常见问题指南 提供了解决方案和资源来帮助你。

Link to this section使用 DVCLive 进行实验训练#

YOLO11 模型训练任务完成后，你可以使用可视化工具深入分析结果。具体来说，你可以使用 DVC 的 API 提取数据，并使用 Pandas（一种使数据处理更简单的 Python 库，例如将其组织成表格以便分析和比较）进行处理，从而更轻松地进行处理和可视化。

为了以更交互式和直观的方式探索结果，你也可以尝试使用 Plotly 的平行坐标图（一种显示不同模型参数和性能结果之间关联的图表类型）。

最终，你可以利用这些可视化带来的见解，做出更好的决策，以优化模型、调整超参数或进行其他修改，从而提升其整体性能。

Link to this sectionYOLO11 和 DVCLive 集成的应用#

既然我们已经学习了如何安装并使用 DVCLive 集成来可视化 YOLO11 训练结果，那么让我们探索一些此集成可以增强的应用。

Link to this section农业和精准农业#

在农业和农作物采摘方面，精确度能带来巨大的差异。例如，农民可以利用 YOLO11 对 目标检测 和实例分割的支持，来识别潜在的农作物疾病、跟踪牲畜并检测害虫侵扰。

特别值得一提的是，YOLO11 可以通过分析来自无人机或摄像头的图像，帮助捕获农作物疾病、有害害虫或不健康动物的早期迹象。这类视觉 AI 系统使农民能够迅速采取行动，防止问题蔓延，从而节省时间并减少损失。

图 3. 使用 YOLO11 监测农作物的示例。

由于农场状况会随着天气和季节不断变化，在各种图像上测试模型以确保其在不同情况下表现良好非常重要。使用 DVCLive 集成对用于农业应用的 YOLO11 进行自定义训练，是跟踪其性能的绝佳方式，特别是在处理多样化数据集时。

Link to this section零售业中的客户行为分析#

零售店可以使用 AI 和计算机视觉来了解客户行为，并进行改进以提升购物体验。

通过分析来自安全摄像头的视频，YOLO11 可以跟踪人们在店内的移动方式、哪些区域的人流量最大，以及顾客如何与产品互动。这些数据随后可用于制作热力图，以展示哪些货架最吸引注意力、顾客在不同过道花费的时间，以及广告展示是否引起了注意。

有了这些商业智能，店主可以重新排列产品以增加销售额、加快结账速度，并调整人员配备以在客户最需要的地方和时间提供协助。

图 4. 使用 YOLO11 为购物中心创建热力图的示例。

零售店通常具有独特的特征，例如不同的照明条件、布局和人流量。由于这些差异，用于分析店内活动的计算机视觉模型需要针对每个位置进行仔细的测试和调整，以确保准确性。例如，DVCLive 集成可以帮助微调 YOLO11，使其在零售应用中更加精确和可靠，从而实现对客户行为和店铺运营的更好洞察。

Link to this section关键要点#

在使用 DVCLive 集成的同时自定义训练 YOLO11，可以更轻松地跟踪和改进你的计算机视觉实验。它会自动记录重要细节、显示清晰的可视化结果，并帮助你比较模型的不同版本。

无论你是想提高农场生产力还是改善商店的购物体验，此集成都能确保你的视觉 AI 模型表现良好。通过实验跟踪，你可以系统地测试、提炼和优化你的模型，从而实现准确性和性能的持续提升。

加入 我们的社区 并探索我们的 GitHub 仓库 以了解更多关于视觉 AI 的信息，并查看 我们的许可选项 来开启你的计算机视觉项目。对 AI 在制造业中的应用 或 自动驾驶中的计算机视觉 等创新感兴趣吗？访问我们的解决方案页面以发现更多内容。