Suivi des expériences avec Ultralytics YOLO11 et DVC

Le suivi et la surveillance des expériences de vision par ordinateur, où les machines sont entraînées à interpréter et à comprendre les données visuelles, est une partie cruciale du développement et de l'affinement des modèles d'IA Vision comme... Ultralytics YOLO11. Ces expériences impliquent souvent de tester différents paramètres clés et de consigner les mesures et les résultats de plusieurs entraînements de modèles. Ce faisant, il est possible d'analyser les performances du modèle et d'y apporter des améliorations basées sur les données. 

Sans un système de suivi des expériences bien défini, comparer les résultats et apporter des modifications aux modèles peut devenir compliqué et entraîner des erreurs. En fait, l'automatisation de ce processus est une excellente option qui peut assurer une meilleure cohérence.

C'est exactement ce que l'intégration DVCLive prise en charge par Ultralytics vise à faire. DVCLive offre un moyen simplifié de consigner automatiquement les détails des expériences, de visualiser les résultats et de gérer le suivi des performances des modèles, le tout dans un seul et même flux de travail.

Dans cet article, nous allons voir comment utiliser l'intégration de DVCLive pendant l'entraînement d'Ultralytics YOLO11. Nous jetterons également un coup d'œil à ses avantages et à la façon dont elle facilite le suivi des expériences pour un meilleur développement du modèle Vision AI .

Qu'est-ce que DVCLive ?

DVCLive, créé par DVC (Data Version Control), est un outil open-source fiable conçu pour le suivi des expériences d'apprentissage automatique. La bibliothèque Python DVCLive fournit un enregistreur d'expériences en temps réel qui permet aux développeurs et aux chercheurs en IA de suivre les métriques et les paramètres de leurs expériences. 

Par exemple, il peut automatiquement consigner les principales mesures de performance du modèle, comparer les résultats entre les séries d'entraînement et visualiser les performances du modèle. Ces fonctionnalités permettent à DVCLive de t'aider à maintenir un flux de travail d'apprentissage automatique structuré et reproductible.

‍

Principales caractéristiques de DVCLive

L'intégration de DVCLive est facile à utiliser et peut améliorer tes projets de vision par ordinateur en fournissant des visualisations de données et des outils d'analyse clairs et faciles à comprendre. Voici d'autres caractéristiques clés de DVCLive :

• Prend en charge différents cadres de travail: DVCLive peut être utilisé avec d'autres cadres d'apprentissage automatique populaires. Cela permet de l'incorporer dans les flux de travail existants et d'améliorer les capacités de suivi des expériences en toute simplicité.

• Tracés interactifs: Il peut être utilisé pour générer automatiquement des tracés interactifs à partir des données, fournissant des représentations visuelles des mesures de performance au fil du temps. 

• Conception légère: DVCLive est une bibliothèque légère, flexible et accessible, car elle peut être utilisée dans différents projets et environnements.

Pourquoi devrais-tu utiliser l'intégration DVCLive ?

En parcourant la documentation d'Ultralytics et en explorant les intégrations disponibles, tu te demanderas peut-être : Qu'est-ce qui distingue l'intégration DVCLive et pourquoi devrais-je la choisir pour mon flux de travail ?

Avec des intégrations comme TensorBoard et MLflow qui fournissent également des outils de suivi des métriques et de visualisation des résultats, il est essentiel de comprendre les qualités uniques qui permettent à cette intégration de se démarquer. 

Voici pourquoi DVCLive pourrait être un choix idéal pour tes projets Ultralytics YOLO :

• Une charge minimale : DVCLive est un excellent outil pour enregistrer les métriques des expériences sans ajouter de charge de calcul ou de stockage supplémentaire. Il enregistre les journaux sous forme de fichiers texte brut ou JSON, ce qui permet de l'intégrer facilement dans les flux de travail existants sans dépendre de services ou de bases de données externes.

• Intégration native avec DVC : Construit par l'équipe à l'origine de DVC, DVCLive fonctionne sans problème avec le système de versionnement des données et des modèles de DVC. Il permet également aux utilisateurs de suivre les versions des ensembles de données, les points de contrôle des modèles et les modifications du pipeline, ce qui le rend idéal pour les équipes qui utilisent déjà DVC pour la reproductibilité de l'apprentissage automatique.

• Compatible avec Git : DVCLive s'intègre à Git, ce qui facilite le suivi des modifications, la comparaison des modèles et le retour aux versions précédentes tout en gardant les données d'expérience organisées et contrôlées par version.

Démarrer avec le DVCLive 

Le suivi de l'entraînement du modèleYOLO11 d'Ultralytics avec DVCLive est plus simple que tu ne l'imagines. Une fois que les bibliothèques nécessaires sont installées et configurées, tu peux rapidement commencer à former ton modèle YOLO11 sur mesure.

Après l'entraînement, tu peux ajuster des paramètres clés comme les époques (le nombre de fois que le modèle parcourt l'ensemble des données), la patience (le temps d'attente avant d'arrêter s'il n'y a pas d'amélioration) et la taille de l'image cible (la résolution des images utilisées pour l'entraînement) afin d'améliorer la précision. Tu peux ensuite utiliser l'outil de visualisation de DVCLive pour comparer différentes versions de ton modèle et analyser leurs performances.

Pour une compréhension plus détaillée du processus de formation des modèles et des meilleures pratiques, consulte notre documentation sur la formation personnalisée des modèles Ultralytics YOLO .

Ensuite, nous allons voir comment installer et utiliser l'intégration DVCLive lors de l'entraînement personnalisé de YOLO11.

Installer les exigences

Avant de pouvoir commencer à former YOLO11, tu devras installer à la fois le packageUltralytics Python et DVCLive. Cette intégration a été conçue de telle sorte que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, tu n'as donc pas à te soucier de configurations complexes.

L'ensemble du processus d'installation peut être réalisé en quelques minutes avec une seule commande Pip, qui est un outil de gestion de paquets pour l'installation de bibliothèques Python , comme le montre l'image ci-dessous. 

‍

Une fois que tu as installé les paquets, tu peux configurer ton environnement et ajouter les informations d'identification nécessaires pour que DVCLive fonctionne sans problème. La mise en place d'un dépôt Git est également utile pour garder une trace de ton code et de toute modification de tes paramètres DVCLive. 

Pour obtenir des instructions détaillées étape par étape et d'autres conseils utiles, consulte notre Guide d'installation. Si tu rencontres des problèmes lors de l'installation des paquets requis, notre Guide des problèmes courants contient des solutions et des ressources pour t'aider.

Entraînement à l'expérience avec DVCLive 

Une fois ta séance d'entraînement au modèle YOLO11 terminée, tu peux utiliser les outils de visualisation pour analyser les résultats en profondeur. Plus précisément, tu peux utiliser l'API de DVC pour extraire les données et les traiter avec Pandas ((une bibliothèque Python qui facilite le travail avec les données, comme l'organisation en tableaux pour l'analyse et la comparaison) pour une manipulation et une visualisation plus faciles. 

Pour une façon plus interactive et visuelle d'explorer tes résultats, tu peux aussi essayer d'utiliser le graphique de coordonnées parallèles de Plotly (un type de graphique qui montre comment les différents paramètres du modèle et les résultats de performance sont connectés. 

En fin de compte, tu peux utiliser les informations fournies par ces visualisations pour prendre de meilleures décisions concernant l'optimisation de ton modèle, le réglage des hyperparamètres, ou apporter d'autres modifications pour stimuler ses performances globales. 

Applications de YOLO11 et de l'intégration de DVCLive

Maintenant que nous avons appris à installer et à visualiser les résultats de l'entraînement YOLO11 à l'aide de l'intégration DVCLive, explorons quelques-unes des applications que cette intégration peut améliorer.

Agriculture et agriculture de précision

Lorsqu'il s'agit d'agriculture et de récolter des cultures pour l'alimentation, la précision peut faire une énorme différence. Par exemple, les agriculteurs peuvent utiliser la prise en charge par YOLO11de la détection d'objets et de la segmentation d'instances pour identifier les maladies potentielles des cultures, suivre le bétail et détecter les infestations de ravageurs. 

YOLO11 peut notamment aider à détecter les signes précoces de maladies des plantes, de parasites nuisibles ou d'animaux en mauvaise santé en analysant des images provenant de drones ou de caméras. Ces types de systèmes Vision AI permettent aux agriculteurs d'agir rapidement pour empêcher les problèmes de se propager, ce qui permet de gagner du temps et de réduire les pertes.

‍

Comme les conditions agricoles changent constamment en fonction du temps et des saisons, il est important de tester les modèles sur une variété d'images pour s'assurer qu'ils fonctionnent bien dans différentes situations. L'utilisation de l'intégration DVCLive pour l'entraînement personnalisé de YOLO11 pour les applications agricoles est un excellent moyen de suivre ses performances, en particulier avec divers ensembles de données. 

Analyse du comportement des clients dans le commerce de détail

Les magasins de détail peuvent utiliser l'IA et la vision par ordinateur pour comprendre le comportement des clients et apporter des améliorations pour améliorer l'expérience d'achat. 

En analysant les vidéos des caméras de sécurité, YOLO11 peut suivre la façon dont les gens se déplacent dans le magasin, les zones les plus fréquentées et la façon dont les acheteurs interagissent avec les produits. Ces données peuvent ensuite être utilisées pour créer des cartes thermiques afin de montrer quels rayons attirent le plus l'attention, combien de temps les clients passent dans les différentes allées et si les affichages publicitaires sont remarqués. 

Grâce à ces renseignements commerciaux, les propriétaires de magasins peuvent réorganiser les produits pour augmenter les ventes, accélérer les files d'attente aux caisses et ajuster le personnel pour aider les clients là où ils en ont le plus besoin et au moment où ils en ont le plus besoin.

‍

Souvent, les magasins de détail ont des caractéristiques uniques, telles que des conditions d'éclairage, des aménagements et des tailles de foule variables. En raison de ces différences, les modèles de vision par ordinateur utilisés pour analyser l'activité des magasins doivent être soigneusement testés et ajustés pour chaque lieu afin d'en garantir la précision. Par exemple, l'intégration de DVCLive peut aider à affiner YOLO11, en le rendant plus précis et plus fiable pour les applications de vente au détail, ce qui permet de mieux comprendre le comportement des clients et les opérations du magasin.

Principaux enseignements

L'entraînement personnalisé de YOLO11 tout en utilisant l'intégration DVCLive facilite le suivi et l'amélioration de tes expériences de vision par ordinateur. Il enregistre automatiquement les détails importants, montre des résultats visuels clairs et t'aide à comparer différentes versions de ton modèle. 

Que tu cherches à stimuler la productivité agricole ou à améliorer l'expérience d'achat dans un magasin, cette intégration te permet de t'assurer que tes modèles Vision AI sont performants. Grâce au suivi des expériences, tu peux systématiquement tester, affiner et optimiser tes modèles, ce qui entraîne une amélioration continue de la précision et des performances.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur Vision AI, et consulte nos options de licence pour donner un coup de fouet à tes projets de vision par ordinateur. Tu es intéressé par des innovations telles que l'IA dans la fabrication ou la vision par ordinateur dans la conduite autonome? Visite nos pages de solutions pour en découvrir davantage.