使用 Ultralytics YOLO11 和 DVC 进行实验跟踪
了解如何借助 DVC 集成使用实验跟踪来简化你的 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（在这些实验中，机器经过训练来解读和理解视觉数据）是开发和微调Ultralytics YOLO11等视觉 AI 模型的重要环节。这些实验通常包括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，并根据数据改进模型。
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，自动化这一过程是一个很好的选择，可以确保更高的一致性。
这正是 Ultralytics 支持的DVCLive 集成所要实现的目标。DVCLive 提供了一种简化的方法，可以在单个工作流中自动记录实验详情、可视化结果并管理模型性能跟踪。
本文将介绍如何在训练 Ultralytics YOLO11 时使用 DVCLive 集成。我们还将了解它的优势，以及它如何让实验跟踪变得更简单，从而更好地开发视觉 AI 模型。
什么是 DVCLive？#
DVCLive 由 DVC（数据版本控制）创建，是一款专为跟踪机器学习实验而设计的可靠开源工具。DVCLive Python 库提供了实时实验记录器，使 AI 开发者和研究人员能够跟踪实验的指标和参数。
例如，它可以自动记录关键的模型性能指标、比较不同训练运行的结果，并将模型性能可视化。这些功能让 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。 DVCLive 实验跟踪仪表板速览。
DVCLive 的主要功能#
DVCLive 集成易于使用，并且可以通过提供清晰、易于理解的数据可视化和分析工具来改进你的计算机视觉项目。以下是 DVCLive 的其他主要功能：
-
支持多种框架：DVCLive 可与其他热门机器学习框架配合使用。这使得将其集成到现有工作流中并增强实验跟踪能力变得十分简单。
-
交互式绘图：它可以根据数据自动生成交互式绘图，以可视化呈现性能指标随时间的变化。
-
轻量级设计：DVCLive 是一个轻量、灵活且易于使用的库，可以应用于不同的项目和环境。
为什么应该使用 DVCLive 集成？#
当你浏览Ultralytics 文档并探索可用的集成时，可能会问自己：DVCLive 集成有何不同？为什么应该在我的工作流中选择它？
TensorBoard和MLflow等集成也提供了跟踪指标和可视化结果的工具，因此，了解使这一集成脱颖而出的独特特性非常重要。
以下是 DVCLive 可能成为你的 Ultralytics YOLO 项目理想选择的原因：
-
**开销极低：**DVCLive 是记录实验指标的优秀工具，不会增加额外的计算或存储负载。它会将日志保存为纯文本或 JSON 文件，因此无需依赖外部服务或数据库即可轻松集成到现有工作流中。
-
**与 DVC 原生集成：**DVCLive 由 DVC 背后的团队打造，可以顺畅地配合 DVC 的数据和模型版本控制系统使用。它还支持用户跟踪数据集版本、模型检查点和流水线变更，因此非常适合已经使用 DVC 实现机器学习可复现性的团队。
-
**兼容 Git：**DVCLive 与 Git 集成，便于跟踪变更、比较模型并恢复到之前的版本，同时保持实验数据井然有序并受版本控制。
开始使用 DVCLive#
使用 DVCLive 跟踪 Ultralytics YOLO11 模型训练，比你想象的更简单。安装并配置必要的库后，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 epochs（模型遍历整个数据集的次数）、patience（没有改进时等待多久再停止）和目标图像尺寸（训练所用图像的分辨率）等关键设置，以提高准确率。然后，你可以使用 DVCLive 的可视化工具比较模型的不同版本并分析其性能。
如需更详细地了解模型训练过程和最佳实践，请参阅我们的自定义训练 Ultralytics YOLO 模型文档。
接下来，我们将介绍在自定义训练 Ultralytics YOLO11 时如何安装和使用 DVCLive 集成。
安装依赖项#
开始训练 YOLO11 之前，你需要安装Ultralytics Python 软件包和 DVCLive。该集成经过专门设计，默认情况下两个库即可无缝协作，因此无需担心复杂的配置。
如下面的图片所示，使用一条 pip 命令即可在短短几分钟内完成整个安装过程。pip 是用于安装 Python 库的软件包管理工具。
图 2。安装 Ultralytics 和 DVCLive。
安装软件包后，你可以设置环境并添加必要的凭据，以确保 DVCLive 顺畅运行。设置 Git 仓库也很有帮助，可以跟踪代码以及 DVCLive 设置的任何变更。
如需详细的分步说明和其他实用技巧，请参阅我们的安装指南。如果在安装所需软件包时遇到问题，我们的常见问题指南提供了相关解决方案和资源。
使用 DVCLive 进行实验训练#
Ultralytics YOLO11 模型训练完成后，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（一种让数据处理更简单的 Python 库，例如将数据整理成表格以便分析和比较）进行处理，从而更轻松地操作和可视化数据。
如果想以更具交互性和可视化的方式探索结果，你还可以尝试使用 Plotly 的平行坐标图（用于展示不同模型参数与性能结果之间关联的一种图表）。
最终，你可以利用这些可视化结果中的洞察，更好地决定如何优化模型、调整超参数或进行其他修改，以提升模型的整体性能。
Ultralytics YOLO11 和 DVCLive 集成的应用#
现在我们已经了解了如何安装 DVCLive 集成并将 Ultralytics YOLO11 的训练结果可视化，接下来让我们探索这一集成可以增强的一些应用。
农业与精准农业#
在农业和粮食作物收获中，精准性可能带来巨大影响。例如，农民可以利用 Ultralytics YOLO11 对目标检测和实例分割的支持，识别潜在的作物病害、跟踪牲畜并检测虫害。
具体来说，Ultralytics YOLO11 可以通过分析无人机或摄像头拍摄的图像，帮助及早发现植物病害、有害害虫或不健康动物的迹象。这类视觉 AI 系统能让农民迅速采取行动，防止问题扩散，从而节省时间并减少损失。
图 3。使用 YOLO11 监控作物的示例。
由于农场环境会随天气和季节不断变化，因此在各种图像上测试模型非常重要，以确保模型在不同情况下都能表现良好。使用 DVCLive 集成针对农业应用自定义训练 Ultralytics YOLO11，是跟踪其性能的好方法，尤其适用于多样化数据集。
零售业中的客户行为分析#
零售店可以利用 AI 和计算机视觉了解客户行为，并进行改进以提升购物体验。
通过分析监控摄像头拍摄的视频，Ultralytics YOLO11 可以跟踪人们在店内的移动路线、客流量最大的区域，以及顾客与商品的互动方式。随后可以利用这些数据生成热力图，展示哪些货架最受关注、顾客在不同过道停留多久，以及广告展示是否受到注意。
借助这些商业智能，店主可以重新安排商品以提高销量、加快结账速度，并调整人员配置，在顾客最需要的时间和地点提供帮助。
图 4。使用 Ultralytics 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，例如不同的光照条件、布局和人群规模。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地点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 Ultralytics YOLO11，使其在零售应用中更加精准可靠，从而更好地洞察客户行为和店铺运营。
要点总结#
在使用 DVCLive 集成的同时自定义训练 Ultralytics YOLO11，可以更轻松地跟踪和改进你的计算机视觉实验。它会自动记录重要详情、展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，还是改善商店购物体验，这一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、改进和优化模型，从而持续提升准确率和性能。
加入我们的社区并探索我们的GitHub 代码仓库，进一步了解视觉 AI；查看我们的许可选项，启动你的计算机视觉项目。对制造业中的 AI或自动驾驶中的计算机视觉等创新感兴趣？访问我们的解决方案页面，了解更多信息。
