使用 Ultralytics YOLO11 和 DVC 跟踪实验

跟踪和监控计算机视觉实验，是开发和微调 Ultralytics YOLO11 等视觉 AI 模型的重要环节。在计算机视觉实验中，机器经过训练，能够解读和理解视觉数据。这些实验通常包括测试不同的关键参数，并记录多轮模型训练的指标和结果。这样做有助于分析模型性能，并以数据为依据改进模型。

如果没有明确的实验跟踪系统，比较结果和修改模型可能会变得复杂并导致错误。事实上，自动化这一流程是个很好的选择，有助于确保更高的一致性。

这正是 Ultralytics 支持的 DVCLive 集成旨在实现的目标。DVCLive 提供了一种简便的方法，可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更加轻松，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模型性能指标、比较不同训练轮次的结果，并将模型性能可视化。这些功能使 DVCLive 能够帮助你维持结构清晰且可复现的机器学习工作流程。

图 1. DVCLive 实验跟踪仪表板一览。

DVCLive 的主要功能#

DVCLive 集成简单易用，可提供清晰易懂的数据可视化和分析工具，助力改进你的计算机视觉项目。以下是 DVCLive 的其他一些主要功能：

• 支持多种框架：DVCLive 可以与其他热门机器学习框架搭配使用。这让你可以轻松将 DVCLive 集成到现有工作流中，并增强实验跟踪能力。
• 交互式图表：它可以根据数据自动生成交互式图表，直观呈现性能指标随时间的变化。
• 轻量级设计：DVCLive 是一款轻量、灵活且易于使用的库，可应用于不同的项目和环境。

为什么要使用 DVCLive 集成？#

浏览 Ultralytics 文档并探索可用的集成时，你可能会想：DVCLive 集成有何特别之处？为什么要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，因此你需要了解这款集成脱颖而出的独特之处。

以下是 DVCLive 可能成为你 Ultralytics YOLO 项目理想选择的原因：

• 开销极低：DVCLive 是一款出色的工具，可以用极少的计算和存储开销记录实验指标。它会将日志保存为纯文本或 JSON 文件，因此可以轻松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 原生集成：DVCLive 由 DVC 背后的团队开发，可与 DVC 的数据和模型版本控制系统顺畅协作。它还支持用户跟踪数据集版本、模型检查点和流水线更改，因此非常适合已经使用 DVC 来确保机器学习可复现性的团队。
• 兼容 Git：DVCLive 可与 Git 集成，方便你跟踪更改、比较模型并回退到先前版本，同时让实验数据保持有序并受版本控制。

开始使用 DVCLive#

使用 DVCLive 跟踪 Ultralytics YOLO11 模型训练，比你想象的更简单。安装并配置所需库后，你就可以快速开始定制训练 YOLO11 模型。

训练后，你可以调整一些关键设置来提升准确率，例如 epochs（模型完整遍历整个数据集的次数）、patience（模型没有改进时等待多久后停止）和目标图像尺寸（用于训练的图像分辨率）。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流程和最佳实践，请查看我们的文档，了解如何对 Ultralytics YOLO 模型进行定制训练。

接下来，我们将介绍如何安装和使用 DVCLive 集成，以便定制训练 Ultralytics YOLO11。

安装所需依赖#

开始训练 YOLO11 之前，你需要安装 Ultralytics Python 软件包和 DVCLive。这项集成经过专门设计，两个库默认即可协同工作，因此你无需担心复杂的配置。

如下图所示，使用用于管理 Python 库的软件包管理器 pip，只需运行一条命令，就能在短短几分钟内完成整个安装过程。

图 2. 安装 Ultralytics 和 DVCLive。

安装好软件包后，你可以设置环境并添加所需凭据，确保 DVCLive 顺利运行。设置 Git 仓库也很有帮助，可以用来跟踪代码以及 DVCLive 设置的任何更改。

如需详细的分步说明和其他实用提示，请查看我们的安装指南。如果安装所需软件包时遇到问题，我们的常见问题指南提供了解决方案和相关资源。

使用 DVCLive 进行实验跟踪#

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，并通过 Pandas（一个让数据处理更轻松的 Python 库，例如可将数据整理成表格以便分析和比较）处理数据，从而更轻松地管理和可视化数据。

如果想以更具交互性和可视化的方式探索结果，也可以试试 Plotly 的平行坐标图（一种展示不同模型参数与性能结果之间关联的图表）。

最终，你可以利用这些可视化结果，更好地决定如何优化模型、进行超参数调优或实施其他改动，从而提升模型的整体性能。

Ultralytics YOLO11 与 DVCLive 集成的应用#

了解如何使用 DVCLive 集成来安装 Ultralytics YOLO11 并可视化训练结果后，接下来我们来看看这项集成可以助力哪些应用。

农业与精准农业#

在农业生产和粮食作物收割中，精准度能带来巨大影响。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、有害虫害或动物健康问题。这类视觉 AI 系统能帮助农民迅速采取行动，防止问题扩散，从而节省时间并减少损失。

图 3. 使用 YOLO11 监测作物的示例。

农场状况会随天气和季节不断变化，因此要在各种图像上测试模型，确保模型在不同情况下都能良好运行。使用 DVCLive 集成针对农业应用对 Ultralytics YOLO11 进行自定义训练，是跟踪模型性能的好方法，尤其适用于多样化的数据集。

零售业中的客户行为分析#

零售商店可以利用 AI 和计算机视觉了解客户行为，并通过改进来提升购物体验。

通过分析监控摄像头拍摄的视频，Ultralytics YOLO11 可以跟踪顾客在店内的移动情况、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，展示哪些货架最吸引顾客的注意力、顾客在不同通道停留的时间，以及顾客是否注意到了广告展示。

借助这些商业洞察，店主可以重新安排商品以提升销量、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协助。

图 4. 使用 Ultralytics YOLO11 为购物中心生成热力图的示例。

零售商店往往具有独特特点，例如照明条件、布局和人流量各不相同。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 集成可以帮助追踪 Ultralytics YOLO11 的微调过程，从而更轻松地构建适用于零售应用的精准可靠模型，更好地洞察客户行为和门店运营情况。

要点#

使用 DVCLive 集成对 Ultralytics YOLO11 进行自定义训练，可以更轻松地跟踪和改进计算机视觉实验。它会自动记录重要细节、清晰展示可视化结果，并帮助你比较模型的不同版本。

无论你是想提高农场产能，还是改善顾客在商店的购物体验，这项集成都能帮助你验证视觉 AI 模型的表现。借助实验跟踪，你可以系统地测试、改进和优化模型，从而持续提升准确性和性能。

加入我们的社区，并浏览我们的 GitHub 仓库，进一步了解视觉 AI；查看我们的许可选项，开启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应用感兴趣？访问我们的解决方案页面，了解更多信息。