敬请关注 YOLO Vision 2025!
2025年9月25日
英国夏令时 10:00 - 18:00
混合活动
Yolo Vision 2024

使用 Ultralytics YOLO11 和 DVC 进行实验跟踪

Abirami Vina

5 分钟阅读

2025年2月25日

了解如何使用实验跟踪,通过 DVC 集成来简化您的 Ultralytics YOLO11 实验,从而获得更好的模型性能。

跟踪和监控计算机视觉实验是开发和微调视觉 AI 模型(如 Ultralytics YOLO11)的关键部分,在这些实验中,机器经过训练来解释和理解视觉数据。这些实验通常涉及测试不同的关键参数,并记录来自多个模型训练运行的指标和结果。这样做有助于分析模型性能,并对模型进行数据驱动的改进。 

如果没有定义完善的实验跟踪系统,比较结果和更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不错的选择,可以确保更好的一致性。

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来自动记录实验详细信息、可视化结果以及管理模型性能跟踪,所有这些都在一个工作流程中完成。

在本文中,我们将讨论在训练 Ultralytics YOLO11 时如何使用 DVCLive 集成。我们还将了解它的优势,以及它如何使实验跟踪更容易,从而更好地开发 Vision AI 模型

什么是DVCLive?

DVCLive 由 DVC(数据版本控制)创建,是一个可靠的开源工具,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的模型性能指标,比较跨训练运行的结果,并可视化模型性能。这些功能使DVCLive能够帮助您维护结构化且可重复的机器学习工作流程。

图 1. 快速浏览 DVCLive 的实验跟踪仪表板。

DVCLive 的主要特性

DVCLive 集成易于使用,通过提供清晰易懂的数据可视化和分析工具,可以改进您的计算机视觉项目。以下是 DVCLive 的其他一些主要功能:

  • 支持各种框架: DVCLive 可以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程中并提高实验跟踪能力变得简单。
  • 交互式绘图:它可以用于从数据自动生成交互式绘图,从而提供性能指标随时间变化的直观表示。 
  • 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。

为什么要使用 DVCLive 集成?

当您阅读Ultralytics 文档并探索可用的集成时,您可能会问自己:DVCLive 集成有何独特之处?为什么我应该选择它来用于我的工作流程?

TensorBoardMLflow等集成也提供了用于跟踪指标和可视化结果的工具,因此了解使这种集成脱颖而出的独特品质至关重要。 

以下是 DVCLive 可能是您的 Ultralytics YOLO 项目的理想选择的原因:

  • 最小开销: DVCLive 是一个用于记录实验指标的绝佳工具,无需添加任何额外的计算或存储负载。它将日志保存为纯文本或 JSON 文件,使其易于集成到现有工作流程中,而无需依赖外部服务或数据库。
  • 与 DVC 的原生集成: DVCLive 由 DVC 背后的团队构建,可与 DVC 的数据和模型版本控制系统无缝协作。它还允许用户跟踪数据集版本、模型检查点和管道更改,使其成为已经使用 DVC 进行机器学习重现性的团队的理想选择。
  • Git 兼容: DVCLive 与 Git 集成,可以轻松跟踪更改、比较模型和恢复到以前的版本,同时保持实验数据的组织和版本控制。

DVCLive 入门 

使用 DVCLive 跟踪 Ultralytics YOLO11 模型训练比您想象的要简单。安装并配置必要的库后,您可以快速开始自定义训练您的 YOLO11 模型。

训练后,您可以调整关键设置,如epochs(模型遍历整个数据集的次数)、patience(如果没有改进,等待停止的时间)和目标图像大小(用于训练的图像的分辨率)以提高准确性。然后,您可以使用DVCLive的可视化工具来比较不同版本的模型并分析它们的性能。

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

接下来,让我们逐步了解在自定义训练 YOLO11 时如何安装和使用 DVCLive 集成。

安装所需组件

在开始训练YOLO11之前,您需要安装Ultralytics Python包和DVCLive。这种集成方式的设计使得这两个库在默认情况下可以无缝协作,因此您无需担心复杂的配置。

只需一个 Pip 命令即可在几分钟内完成整个安装过程。Pip 是一个用于安装 Python 库的包管理工具,如下图所示。 

图 2. 安装 Ultralytics 和 DVCLive。

安装软件包后,你可以设置你的环境并添加必要的凭据,以确保 DVCLive 顺利运行。设置 Git 存储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。如果您在安装所需软件包时遇到任何问题,我们的常见问题指南提供了解决方案和资源来帮助您。

使用 DVCLive 实验训练 

在您的YOLO11模型训练会话完成后,您可以使用可视化工具深入分析结果。具体来说,您可以使用DVC的API提取数据,并使用Pandas(一个Python库,可以更轻松地处理数据,例如将其组织成表格以进行分析和比较)对其进行处理,以便于处理和可视化。 

为了以更具互动性和可视化的方式探索您的结果,您还可以尝试使用 Plotly 的平行坐标图(一种显示不同模型参数和性能结果之间如何关联的图表)。 

最终,您可以利用这些可视化的洞察力,在优化模型、调整超参数或进行其他修改以提升整体性能方面做出更好的决策。 

YOLO11 和 DVCLive 集成的应用

既然我们已经了解了如何使用 DVCLive 集成来安装和可视化 YOLO11 训练结果,接下来让我们探讨一下此集成可以增强的一些应用。

农业和精准农业

在农业和粮食作物收获方面,精度可能会产生巨大的差异。例如,农民可以使用 YOLO11 对 对象检测 和实例分割的支持来识别潜在的作物病害、跟踪牲畜和检测害虫侵扰。 

特别是,YOLO11 可以通过分析无人机或摄像头拍摄的图像,帮助捕捉植物病害、有害害虫或不健康动物的早期迹象。这些类型的视觉 AI 系统使农民能够迅速采取行动,阻止问题蔓延,从而节省时间并减少损失。

图 3. 使用 YOLO11 监控农作物的示例。

由于农场环境会随着天气和季节不断变化,因此务必在各种图像上测试模型,以确保它们在不同情况下都能良好运行。将 DVCLive 集成用于农业应用的 YOLO11 定制训练,是跟踪其性能的好方法,尤其是在使用多样化数据集时。 

零售业客户行为分析

零售商店可以利用 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。 

通过分析安全摄像头拍摄的视频,YOLO11 可以跟踪人们在商店中的移动方式、哪些区域的客流量最大以及购物者与产品的互动方式。然后,这些数据可用于制作热图,以展示哪些货架最受关注、顾客在不同通道花费的时间以及广告展示是否被注意到。 

借助这种商业智能,店主可以重新布置产品以增加销售额,加快结账队伍的速度,并调整人员配置以在最需要的时间和地点为顾客提供帮助。

图 4. 使用 YOLO11 创建的购物中心热图示例。

通常,零售商店具有独特的特征,例如不同的照明条件、布局和人群规模。由于这些差异,用于分析商店活动的计算机视觉模型需要针对每个位置进行仔细测试和调整,以确保准确性。例如,DVCLive 集成可以帮助微调 YOLOv8,使其对于零售应用更加精确和可靠,从而更好地了解客户行为和商店运营。

主要要点

使用 DVCLive 集成进行 YOLO11 自定义训练,可以更轻松地跟踪和改进您的计算机视觉实验。它会自动记录重要细节,显示清晰的可视化结果,并帮助您比较模型的不同版本。 

无论您是想提高农场生产力,还是改善商店的购物体验,此集成都能确保您的 Vision AI 模型表现良好。通过实验跟踪,您可以系统地测试、改进和优化您的模型,从而不断提高准确性和性能。

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人工智能的信息,并查看我们的许可选项,以启动您的计算机视觉项目。对人工智能在制造业中的应用计算机视觉在自动驾驶中的应用等创新感兴趣吗?访问我们的解决方案页面以了解更多信息。 

让我们一起构建人工智能的未来!

开启您的机器学习未来之旅

免费开始
链接已复制到剪贴板