Aprende cómo puedes utilizar el seguimiento de experimentos para agilizar tus experimentos Ultralytics YOLO11 con la integración DVC para un mejor rendimiento del modelo.
.webp)
El seguimiento y la supervisión de los experimentos de visión por ordenador, en los que se entrena a las máquinas para interpretar y comprender datos visuales, es una parte crucial del desarrollo y la puesta a punto de modelos de IA de visión como Ultralytics YOLO11. Estos experimentos a menudo implican probar diferentes parámetros clave y registrar métricas y resultados de múltiples ejecuciones de entrenamiento del modelo. Hacerlo puede ayudar a analizar el rendimiento del modelo y a introducir en él mejoras basadas en los datos.
Sin un sistema de seguimiento de experimentos bien definido, comparar los resultados y realizar cambios en los modelos puede resultar complicado y dar lugar a errores. De hecho, automatizar este proceso es una gran opción que puede garantizar una mayor coherencia.
Eso es exactamente lo que pretende hacer la integración de DVCLive que admite Ultralytics . DVCLive proporciona una forma simplificada de registrar automáticamente los detalles de los experimentos, visualizar los resultados y gestionar el seguimiento del rendimiento de los modelos, todo ello dentro de un único flujo de trabajo.
En este artículo, hablaremos de cómo utilizar la integración DVCLive durante el entrenamiento de Ultralytics YOLO11. También veremos sus ventajas y cómo facilita el seguimiento de los experimentos para un mejor desarrollo de los modelos de IA de Visión .
DVCLive, creado por DVC (Data Version Control), es una fiable herramienta de código abierto diseñada para el seguimiento de experimentos de aprendizaje automático. La biblioteca Python DVCLive proporciona un registrador de experimentos en tiempo real que permite a los desarrolladores e investigadores de IA hacer un seguimiento de las métricas y parámetros de sus experimentos.
Por ejemplo, puede registrar automáticamente las métricas clave de rendimiento del modelo, comparar los resultados entre las ejecuciones de entrenamiento y visualizar el rendimiento del modelo. Estas funciones permiten que DVCLive te ayude a mantener un flujo de trabajo de aprendizaje automático estructurado y reproducible.
La integración de DVCLive es fácil de usar y puede mejorar tus proyectos de visión por ordenador proporcionando visualizaciones de datos y herramientas de análisis claras y fáciles de entender. Aquí tienes otras características clave de DVCLive:
A medida que revises la documentaciónUltralytics y explores las integraciones disponibles, es posible que te preguntes: ¿Qué diferencia a la integración DVCLive y por qué debería elegirla para mi flujo de trabajo?
Con integraciones como TensorBoard y MLflow que también proporcionan herramientas para el seguimiento de las métricas y la visualización de los resultados, es esencial comprender las cualidades únicas que hacen que esta integración destaque.
He aquí por qué DVCLive podría ser una opción ideal para tus proyectosYOLO Ultralytics :
El seguimiento del entrenamiento del modeloYOLO11 Ultralytics con DVCLive es más sencillo de lo que cabría esperar. Una vez instaladas y configuradas las bibliotecas necesarias, puedes empezar rápidamente el entrenamiento personalizado de tu modelo YOLO11 .
Tras el entrenamiento, puedes ajustar parámetros clave como las épocas (el número de veces que el modelo pasa por todo el conjunto de datos), la paciencia (cuánto tiempo esperar antes de parar si no hay mejora) y el tamaño de imagen objetivo (la resolución de las imágenes utilizadas para el entrenamiento) para mejorar la precisión. Después, puedes utilizar la herramienta de visualización de DVCLive para comparar distintas versiones de tu modelo y analizar su rendimiento.
Para una comprensión más detallada del proceso de entrenamiento del modelo y de las mejores prácticas, consulta nuestra documentación para el entrenamiento personalizado de los modelosYOLO Ultralytics .
A continuación, vamos a ver cómo instalar y utilizar la integración de DVCLive en el entrenamiento personalizado de YOLO11.
Antes de empezar a entrenar YOLO11, tendrás que instalar tanto el paquetePython Ultralytics como DVCLive. Esta integración se ha diseñado de forma que ambas bibliotecas funcionen juntas a la perfección por defecto, para que no tengas que preocuparte de complejas configuraciones.
Todo el proceso de instalación puede completarse en un par de minutos con un solo comando Pip, que es una herramienta de gestión de paquetes para instalar bibliotecas Python , como se muestra en la imagen siguiente.
Una vez que hayas instalado los paquetes, puedes configurar tu entorno y añadir las credenciales necesarias para asegurarte de que DVCLive funciona sin problemas. Configurar un repositorio Git también es útil para realizar un seguimiento de tu código y de cualquier cambio en la configuración de DVCLive.
Para obtener instrucciones detalladas paso a paso y otros consejos útiles, consulta nuestra Guía de instalación. En caso de que tengas algún problema al instalar los paquetes necesarios, nuestra Guía de problemas comunes contiene soluciones y recursos para ayudarte.
Una vez finalizada la sesión de entrenamiento de tu modelo YOLO11 , puedes utilizar las herramientas de visualización para analizar los resultados en profundidad. En concreto, puedes utilizar la API de DVC para extraer los datos y procesarlos con Pandas ((una biblioteca Python que facilita el trabajo con datos, como organizarlos en tablas para su análisis y comparación) para facilitar su manejo y visualización.
Para una forma más interactiva y visual de explorar tus resultados, también puedes probar a utilizar el gráfico de coordenadas paralelas de Plotly (un tipo de gráfico que muestra cómo están conectados los distintos parámetros del modelo y los resultados de rendimiento.
En última instancia, puedes utilizar la información de estas visualizaciones para tomar mejores decisiones sobre la optimización de tu modelo, el ajuste de hiperparámetros o la realización de otras modificaciones para aumentar su rendimiento general.
Ahora que hemos aprendido a instalar y visualizar los resultados del entrenamiento YOLO11 utilizando la integración DVCLive, vamos a explorar algunas de las aplicaciones que esta integración puede mejorar.
Cuando se trata de agricultura y recolección de cosechas para alimentos, la precisión puede marcar una gran diferencia. Por ejemplo, los agricultores pueden utilizar la detección de objetos y la segmentación de instancias de YOLO11para identificar posibles enfermedades de los cultivos, seguir al ganado y detectar infestaciones de plagas.
En concreto, YOLO11 puede ayudar a detectar señales tempranas de enfermedades de las plantas, plagas dañinas o animales insanos analizando imágenes de drones o cámaras. Este tipo de sistemas de IA Vision permiten a los agricultores actuar con rapidez para evitar que los problemas se extiendan, ahorrando tiempo y reduciendo las pérdidas.
Dado que las condiciones de las explotaciones cambian constantemente con el tiempo y las estaciones, es importante probar los modelos en una variedad de imágenes para asegurarse de que funcionan bien en diferentes situaciones. Utilizar la integración DVCLive para el entrenamiento personalizado de YOLO11 para aplicaciones agrícolas es una forma estupenda de controlar su rendimiento, especialmente con diversos conjuntos de datos.
Las tiendas minoristas pueden utilizar la IA y la visión por ordenador para comprender el comportamiento de los clientes y hacer mejoras para mejorar la experiencia de compra.
Analizando los vídeos de las cámaras de seguridad, YOLO11 puede rastrear cómo se mueve la gente por la tienda, qué zonas son las más transitadas y cómo interactúan los compradores con los productos. Estos datos se pueden utilizar para hacer mapas de calor que muestren qué estanterías captan más la atención, cuánto tiempo pasan los clientes en los distintos pasillos y si los expositores publicitarios llaman la atención.
Con esta inteligencia empresarial, los propietarios de las tiendas pueden reorganizar los productos para aumentar las ventas, agilizar las colas en caja y ajustar el personal para ayudar a los clientes donde y cuando más lo necesiten.
A menudo, las tiendas minoristas tienen características únicas, como diferentes condiciones de iluminación, disposición y tamaño de la multitud. Debido a estas diferencias, los modelos de visión por ordenador utilizados para analizar la actividad de las tiendas deben probarse y ajustarse cuidadosamente para cada ubicación, a fin de garantizar su precisión. Por ejemplo, la integración de DVCLive puede ayudar a afinar YOLO11, haciéndolo más preciso y fiable para las aplicaciones minoristas, lo que permite conocer mejor el comportamiento de los clientes y el funcionamiento de las tiendas.
El entrenamiento personalizado de YOLO11 mediante la integración DVCLive facilita el seguimiento y la mejora de tus experimentos de visión por ordenador. Registra automáticamente detalles importantes, muestra resultados visuales claros y te ayuda a comparar distintas versiones de tu modelo.
Tanto si intentas aumentar la productividad de las granjas como mejorar la experiencia de compra en una tienda, esta integración garantiza el buen rendimiento de tus modelos de IA de Vision. Con el seguimiento de experimentos, puedes probar, perfeccionar y optimizar sistemáticamente tus modelos, lo que conduce a mejoras continuas de la precisión y el rendimiento.
Únete a nuestra comunidad y explora nuestro repositorio de GitHub para saber más sobre Vision AI, y consulta nuestras opciones de licencia para poner en marcha tus proyectos de visión por ordenador. ¿Te interesan innovaciones como la IA en la fabricación o la visión por ordenador en la conducción autónoma? Visita nuestras páginas de soluciones para descubrir más.
Comienza tu viaje con el futuro del aprendizaje automático
