Aprende como podes utilizar o acompanhamento de experiências para otimizar as tuas experiências Ultralytics YOLO11 com a integração DVC para um melhor desempenho do modelo.
.webp)
Acompanhar e monitorizar experiências de visão computacional, em que as máquinas são treinadas para interpretar e compreender dados visuais, é uma parte crucial do desenvolvimento e aperfeiçoamento de modelos de IA de visão como o Ultralytics YOLO11. Essas experiências geralmente envolvem o teste de diferentes parâmetros-chave e o registro de métricas e resultados de várias execuções de treinamento do modelo. Ao fazê-lo, podes ajudar a analisar o desempenho do modelo e fazer melhorias no modelo com base em dados.
Sem um sistema de acompanhamento de experiências bem definido, comparar resultados e fazer alterações nos modelos pode tornar-se complicado e levar a erros. De facto, a automatização deste processo é uma excelente opção que pode garantir uma melhor consistência.
É exatamente isso que a integração do DVCLive suportada pelo Ultralytics pretende fazer. O DVCLive fornece uma forma simplificada de registar automaticamente os detalhes da experiência, visualizar os resultados e gerir o acompanhamento do desempenho do modelo, tudo num único fluxo de trabalho.
Neste artigo, vamos discutir como utilizar a integração DVCLive durante o treino Ultralytics YOLO11. Também analisaremos as suas vantagens e a forma como facilita o acompanhamento de experiências para um melhor desenvolvimento do modelo Vision AI .
O DVCLive, criado pela DVC (Data Version Control), é uma ferramenta fiável de código aberto concebida para acompanhar experiências de aprendizagem automática. A biblioteca DVCLive Python fornece um registador de experiências em tempo real que permite aos criadores e investigadores de IA seguir as métricas e os parâmetros das suas experiências.
Por exemplo, ele pode registrar automaticamente as principais métricas de desempenho do modelo, comparar resultados entre execuções de treinamento e visualizar o desempenho do modelo. Estas funcionalidades permitem que o DVCLive o ajude a manter um fluxo de trabalho de aprendizagem automática estruturado e reproduzível.
A integração do DVCLive é fácil de utilizar e pode melhorar os teus projectos de visão computacional, fornecendo visualizações de dados e ferramentas de análise claras e fáceis de compreender. Aqui estão alguns outros recursos principais do DVCLive:
À medida que percorre a documentaçãoUltralytics e explora as integrações disponíveis, pode dar por si a perguntar: O que distingue a integração DVCLive e porque é que a devo escolher para o meu fluxo de trabalho?
Com integrações como o TensorBoard e o MLflow, que também fornecem ferramentas para acompanhar métricas e visualizar resultados, é essencial compreender as qualidades únicas que fazem com que esta integração se destaque.
Eis por que razão o DVCLive pode ser a escolha ideal para os teus projectos Ultralytics YOLO :
Acompanhar o treino do modelo Ultralytics YOLO11 com o DVCLive é mais simples do que poderias esperar. Uma vez instaladas e configuradas as bibliotecas necessárias, podes começar rapidamente a treinar o teu modelo YOLO11 .
Após o treino, podes ajustar as definições chave como epochs (o número de vezes que o modelo percorre todo o conjunto de dados), paciência (quanto tempo esperar antes de parar se não houver melhorias) e tamanho da imagem alvo (a resolução das imagens utilizadas para o treino) para melhorar a precisão. Depois, podes utilizar a ferramenta de visualização do DVCLive para comparar diferentes versões do teu modelo e analisar o seu desempenho.
Para uma compreensão mais detalhada do processo de formação de modelos e das melhores práticas, consulta a nossa documentação sobre a formação personalizada dos modelos Ultralytics YOLO .
De seguida, vamos explicar-te como instalar e utilizar a integração DVCLive durante o treino personalizado YOLO11.
Antes de poderes começar a treinar YOLO11, terás de instalar o pacoteUltralytics Python e o DVCLive. Esta integração foi concebida de forma a que ambas as bibliotecas funcionem em conjunto sem problemas por defeito, pelo que não precisas de te preocupar com configurações complexas.
Todo o processo de instalação pode ser concluído em apenas alguns minutos com um único comando Pip, que é uma ferramenta de gestão de pacotes para instalar bibliotecas Python , como mostra a imagem abaixo.
Depois de instalares os pacotes, podes configurar o teu ambiente e adicionar as credenciais necessárias para garantir que o DVCLive funciona sem problemas. A configuração de um repositório Git também é útil para acompanhar o teu código e quaisquer alterações às tuas definições do DVCLive.
Para obter instruções detalhadas passo a passo e outras dicas úteis, consulta o nosso Guia de instalação. Caso encontres algum problema durante a instalação dos pacotes necessários, o nosso Guia de Problemas Comuns tem soluções e recursos para te ajudar.
Após a conclusão da sessão de treino do modelo YOLO11 , podes utilizar as ferramentas de visualização para analisar os resultados em profundidade. Especificamente, podes usar a API do DVC para extrair os dados e processá-los com o Pandas ((uma biblioteca Python que facilita o trabalho com dados, como organizá-los em tabelas para análise e comparação) para facilitar o manuseamento e a visualização.
Para uma forma mais interactiva e visual de explorar os teus resultados, também podes tentar utilizar o gráfico de coordenadas paralelas do Plotly (um tipo de gráfico que mostra como os diferentes parâmetros do modelo e os resultados de desempenho estão ligados.
Em última análise, podes utilizar as informações destas visualizações para tomar melhores decisões sobre a otimização do teu modelo, a afinação de hiperparâmetros ou outras modificações para melhorar o seu desempenho geral.
Agora que aprendemos a instalar e a visualizar os resultados do treino YOLO11 utilizando a integração DVCLive, vamos explorar algumas das aplicações que esta integração pode melhorar.
Quando se trata de agricultura e colheita de alimentos, a precisão pode fazer uma enorme diferença. Por exemplo, os agricultores podem utilizar o suporte do YOLO11para deteção de objectos e segmentação de instâncias para identificar potenciais doenças nas culturas, seguir o gado e detetar infestações de pragas.
Em particular, YOLO11 pode ajudar a detetar sinais precoces de doenças nas plantas, pragas nocivas ou animais pouco saudáveis, analisando imagens de drones ou câmaras. Estes tipos de sistemas de IA de visão permitem que os agricultores actuem rapidamente para impedir que os problemas se espalhem, poupando tempo e reduzindo as perdas.
Uma vez que as condições agrícolas mudam constantemente com o clima e as estações, é importante testar os modelos numa variedade de imagens para garantir que têm um bom desempenho em diferentes situações. Utilizar a integração DVCLive para treinar YOLO11 de forma personalizada para aplicações agrícolas é uma excelente forma de acompanhar o seu desempenho, especialmente com conjuntos de dados diversos.
As lojas de retalho podem utilizar a IA e a visão por computador para compreender o comportamento dos clientes e fazer melhorias para melhorar a experiência de compra.
Ao analisar os vídeos das câmaras de segurança, YOLO11 pode seguir a forma como as pessoas se movimentam na loja, quais as áreas com mais tráfego pedonal e como os compradores interagem com os produtos. Estes dados podem depois ser utilizados para criar mapas de calor que mostram quais as prateleiras que chamam mais a atenção, quanto tempo os clientes passam nos diferentes corredores e se os expositores de publicidade estão a ser notados.
Com esta inteligência comercial, os proprietários de lojas podem reorganizar os produtos para aumentar as vendas, acelerar as filas de caixa e ajustar o pessoal para ajudar os clientes onde e quando mais precisam.
Muitas vezes, as lojas de varejo têm caraterísticas exclusivas, como condições de iluminação, layouts e tamanhos de multidão variados. Devido a essas diferenças, os modelos de visão por computador usados para analisar a atividade da loja precisam ser cuidadosamente testados e ajustados para cada local para garantir a precisão. Por exemplo, a integração do DVCLive pode ajudar a afinar YOLO11, tornando-o mais preciso e fiável para aplicações de retalho, permitindo uma melhor perceção do comportamento do cliente e das operações da loja.
O treino personalizado YOLO11 enquanto utiliza a integração DVCLive facilita o acompanhamento e a melhoria das tuas experiências de visão computacional. Regista automaticamente detalhes importantes, mostra resultados visuais claros e ajuda-te a comparar diferentes versões do teu modelo.
Quer estejas a tentar aumentar a produtividade agrícola ou a melhorar a experiência de compra numa loja, esta integração garante que os teus modelos Vision AI têm um bom desempenho. Com o acompanhamento de experiências, podes testar, aperfeiçoar e otimizar sistematicamente os teus modelos, conduzindo a melhorias contínuas na precisão e no desempenho.
Junta-te à nossa comunidade e explora o nosso repositório GitHub para saberes mais sobre a IA de visão e verifica as nossas opções de licenciamento para iniciares os teus projectos de visão computacional. Estás interessado em inovações como a IA no fabrico ou a visão computacional na condução autónoma? Visita as nossas páginas de soluções para saberes mais.
Começa a tua viagem com o futuro da aprendizagem automática
