Tracciamento degli esperimenti con Ultralytics YOLO11 e DVC

Tracciare e monitorare gli esperimenti di computer vision, in cui le macchine vengono addestrate a interpretare e comprendere i dati visivi, è una parte cruciale dello sviluppo e della messa a punto dei modelli di Vision AI come Ultralytics YOLO11. Questi esperimenti spesso comportano la sperimentazione di diversi parametri chiave e la registrazione delle metriche e dei risultati di più cicli di addestramento del modello. In questo modo è possibile analizzare le prestazioni del modello e apportare miglioramenti al modello basati sui dati. 

Senza un sistema di tracciamento degli esperimenti ben definito, confrontare i risultati e apportare modifiche ai modelli può diventare complicato e portare a errori. In effetti, automatizzare questo processo è un'ottima opzione che può garantire una maggiore coerenza.

È proprio questo l'obiettivo dell'integrazione DVCLive supportata da Ultralytics . DVCLive offre un modo semplificato per registrare automaticamente i dettagli degli esperimenti, visualizzare i risultati e gestire il monitoraggio delle prestazioni dei modelli, il tutto in un unico flusso di lavoro.

In questo articolo parleremo di come utilizzare l'integrazione DVCLive durante l'addestramento di Ultralytics YOLO11. Inoltre daremo un'occhiata ai suoi vantaggi e a come facilita il tracciamento degli esperimenti per un migliore sviluppo del modello Vision AI .

Che cos'è DVCLive?

DVCLive, creato da DVC (Data Version Control), è uno strumento open-source affidabile progettato per tracciare gli esperimenti di apprendimento automatico. La libreria DVCLive Python fornisce un registratore di esperimenti in tempo reale che consente agli sviluppatori e ai ricercatori di intelligenza artificiale di tenere traccia delle metriche e dei parametri dei loro esperimenti. 

Ad esempio, è in grado di registrare automaticamente le principali metriche di performance del modello, di confrontare i risultati tra i vari cicli di formazione e di visualizzare le prestazioni del modello. Queste funzioni consentono a DVCLive di aiutarti a mantenere un flusso di lavoro di apprendimento automatico strutturato e riproducibile.

‍

Caratteristiche principali di DVCLive

L'integrazione di DVCLive è facile da usare e può migliorare i tuoi progetti di computer vision fornendo visualizzazioni di dati e strumenti di analisi chiari e di facile comprensione. Ecco alcune altre caratteristiche chiave di DVCLive:

• Supporta diversi framework: DVCLive può essere utilizzato con altri framework di apprendimento automatico molto diffusi. Questo rende semplice l'integrazione nei flussi di lavoro esistenti e il miglioramento delle capacità di tracciamento degli esperimenti.

• Grafici interattivi: Può essere utilizzato per generare automaticamente grafici interattivi a partire dai dati, fornendo rappresentazioni visive delle metriche di performance nel tempo. 

• Design leggero: DVCLive è una libreria leggera, flessibile e accessibile, in quanto può essere utilizzata in diversi progetti e ambienti.

Perché dovresti usare l'integrazione DVCLive?

Mentre scorri la documentazione di Ultralytics ed esplori le integrazioni disponibili, potresti trovarti a chiederti: "Cosa distingue l'integrazione Ultralytics e perché la scelgo per il mio flusso di lavoro? Cosa distingue l'integrazione DVCLive e perché dovrei sceglierla per il mio flusso di lavoro?

Con integrazioni come TensorBoard e MLflow che forniscono anche strumenti per il tracciamento delle metriche e la visualizzazione dei risultati, è essenziale comprendere le qualità uniche che rendono questa integrazione unica. 

Ecco perché DVCLive potrebbe essere la scelta ideale per i tuoi progetti Ultralytics YOLO :

• Minimo overhead: DVCLive è un ottimo strumento per registrare le metriche degli esperimenti senza aggiungere alcun carico computazionale o di archiviazione. Salva i log come file di testo semplice o JSON, rendendolo facile da integrare nei flussi di lavoro esistenti senza dover ricorrere a servizi o database esterni.

• Integrazione nativa con DVC: costruito dal team dietro DVC, DVCLive funziona senza problemi con il sistema di versionamento dei dati e dei modelli di DVC. Inoltre, consente agli utenti di tenere traccia delle versioni dei dataset, dei checkpoint dei modelli e delle modifiche alla pipeline, il che lo rende ideale per i team che già utilizzano DVC per la riproducibilità dell'apprendimento automatico.

• Compatibile con Git: DVCLive si integra con Git, rendendo più facile tracciare le modifiche, confrontare i modelli e tornare alle versioni precedenti, mantenendo i dati degli esperimenti organizzati e controllati nella versione.

Come iniziare con il DVCLive 

L'addestramento del modello Ultralytics YOLO11 con DVCLive è più semplice di quanto si possa pensare. Una volta installate e configurate le librerie necessarie, puoi iniziare rapidamente ad addestrare il tuo modello YOLO11 .

Dopo l'addestramento, puoi regolare impostazioni chiave come le epoche (il numero di volte in cui il modello esamina l'intero set di dati), la pazienza (quanto tempo aspettare prima di fermarsi se non ci sono miglioramenti) e la dimensione dell'immagine target (la risoluzione delle immagini utilizzate per l'addestramento) per migliorare la precisione. Poi, puoi usare lo strumento di visualizzazione di DVCLive per confrontare diverse versioni del tuo modello e analizzarne le prestazioni.

Per una comprensione più dettagliata del processo di formazione del modello e delle migliori pratiche, consulta la nostra documentazione per la formazione personalizzata dei modelli Ultralytics YOLO .

Vediamo quindi come installare e utilizzare l'integrazione DVCLive durante l'allenamento personalizzato di YOLO11.

Installazione dei requisiti

Prima di iniziare ad allenarti con YOLO11, dovrai installare sia il pacchettoUltralytics Python che DVCLive. Questa integrazione è stata progettata in modo tale che le due librerie funzionino insieme senza problemi per impostazione predefinita, quindi non dovrai preoccuparti di configurazioni complesse.

L'intero processo di installazione può essere completato in un paio di minuti con un solo comando Pip, che è uno strumento di gestione dei pacchetti per l'installazione delle librerie Python , come mostrato nell'immagine sottostante. 

‍

Una volta installati i pacchetti, puoi configurare il tuo ambiente e aggiungere le credenziali necessarie per garantire il corretto funzionamento di DVCLive. L'impostazione di un repository Git è utile anche per tenere traccia del codice e delle modifiche alle impostazioni di DVCLive. 

Per istruzioni dettagliate passo-passo e altri consigli utili, consulta la nostra Guida all'installazione. Nel caso in cui dovessi incontrare dei problemi durante l'installazione dei pacchetti richiesti, la nostra Guida ai problemi comuni contiene soluzioni e risorse per aiutarti.

Esperimento di formazione con DVCLive 

Al termine della sessione di addestramento del modello YOLO11 , puoi utilizzare gli strumenti di visualizzazione per analizzare i risultati in modo approfondito. In particolare, puoi utilizzare l'API di DVC per estrarre i dati ed elaborarli con Pandas ((una libreria Python che facilita il lavoro con i dati, come l'organizzazione in tabelle per l'analisi e il confronto) per facilitarne la gestione e la visualizzazione. 

Per un modo più interattivo e visivo di esplorare i risultati, puoi anche provare a utilizzare il grafico a coordinate parallele di Plotly (un tipo di grafico che mostra come i diversi parametri del modello e i risultati delle prestazioni siano collegati tra loro. 

In definitiva, puoi utilizzare le informazioni ricavate da queste visualizzazioni per prendere decisioni migliori sull'ottimizzazione del modello, sulla regolazione degli iperparametri o su altre modifiche per aumentare le prestazioni complessive. 

Applicazioni di YOLO11 e dell'integrazione di DVCLive

Ora che abbiamo imparato come installare e visualizzare i risultati dell'allenamento YOLO11 utilizzando l'integrazione DVCLive, esploriamo alcune delle applicazioni che questa integrazione può migliorare.

Agricoltura e agricoltura di precisione

Quando si tratta di agricoltura e di raccolta di prodotti alimentari, la precisione può fare una grande differenza. Ad esempio, gli agricoltori possono utilizzare il supporto di YOLO11per il rilevamento degli oggetti e la segmentazione delle istanze per identificare potenziali malattie delle colture, seguire il bestiame e rilevare le infestazioni di parassiti. 

In particolare, YOLO11 può aiutare a cogliere i primi segnali di malattie delle piante, parassiti dannosi o animali malati analizzando le immagini di droni o telecamere. Questi tipi di sistemi Vision AI consentono agli agricoltori di agire rapidamente per impedire che i problemi si diffondano, risparmiando tempo e riducendo le perdite.

‍

Poiché le condizioni dell'azienda agricola cambiano costantemente con il tempo e le stagioni, è importante testare i modelli su una varietà di immagini per assicurarsi che funzionino bene in situazioni diverse. L'utilizzo dell'integrazione DVCLive per l'addestramento personalizzato di YOLO11 per le applicazioni agricole è un ottimo modo per tenere traccia delle sue prestazioni, soprattutto con set di dati diversi. 

Analisi del comportamento del cliente nella vendita al dettaglio

I negozi al dettaglio possono utilizzare l'intelligenza artificiale e la computer vision per comprendere il comportamento dei clienti e apportare miglioramenti per migliorare l'esperienza di acquisto. 

Analizzando i video delle telecamere di sicurezza, YOLO11 può tracciare il modo in cui le persone si muovono all'interno del negozio, quali sono le aree più frequentate e come gli acquirenti interagiscono con i prodotti. Questi dati possono poi essere utilizzati per creare delle mappe di calore che mostrano quali scaffali attirano maggiormente l'attenzione, quanto tempo i clienti trascorrono nei diversi corridoi e se le pubblicità vengono notate. 

Grazie a questa business intelligence, i proprietari dei negozi possono riorganizzare i prodotti per aumentare le vendite, velocizzare le file di cassa e adattare il personale per assistere i clienti dove e quando ne hanno più bisogno.

‍

Spesso i negozi al dettaglio hanno caratteristiche uniche, come condizioni di illuminazione, layout e dimensioni della folla variabili. A causa di queste differenze, i modelli di visione computerizzata utilizzati per analizzare l'attività dei negozi devono essere attentamente testati e regolati per ogni luogo per garantire l'accuratezza. Ad esempio, l'integrazione con DVCLive può aiutare a mettere a punto YOLO11, rendendolo più preciso e affidabile per le applicazioni di vendita al dettaglio, consentendo una migliore comprensione del comportamento dei clienti e delle attività del negozio.

Punti di forza

L'addestramento personalizzato di YOLO11 con l'integrazione di DVCLive rende più facile seguire e migliorare i tuoi esperimenti di computer vision. Registra automaticamente i dettagli importanti, mostra risultati visivi chiari e ti aiuta a confrontare diverse versioni del tuo modello. 

Che tu stia cercando di aumentare la produttività di un'azienda agricola o di migliorare l'esperienza di acquisto in un negozio, questa integrazione garantisce che i tuoi modelli Vision AI funzionino bene. Grazie al tracciamento degli esperimenti, puoi testare, perfezionare e ottimizzare sistematicamente i tuoi modelli, migliorando continuamente l'accuratezza e le prestazioni.

Unisciti alla nostra comunità ed esplora il nostro repository GitHub per saperne di più su Vision AI e scopri le nostre opzioni di licenza per dare il via ai tuoi progetti di computer vision. Sei interessato a innovazioni come l'IA nella produzione o la computer vision nella guida autonoma? Visita le nostre pagine dedicate alle soluzioni per saperne di più.