Tìm hiểu cách bạn có thể sử dụng theo dõi thử nghiệm để hợp lý hóa Ultralytics YOLO11 thử nghiệm tích hợp DVC để cải thiện hiệu suất mô hình.
.webp)
Theo dõi và giám sát các thí nghiệm về thị giác máy tính , trong đó máy móc được đào tạo để diễn giải và hiểu dữ liệu trực quan, là một phần quan trọng trong việc phát triển và tinh chỉnh các mô hình Vision AI như Ultralytics YOLO11 . Các thí nghiệm này thường bao gồm việc thử nghiệm các thông số chính khác nhau và ghi lại các số liệu và kết quả từ nhiều lần chạy đào tạo mô hình. Làm như vậy có thể giúp phân tích hiệu suất của mô hình và thực hiện các cải tiến dựa trên dữ liệu cho mô hình.
Nếu không có hệ thống theo dõi thử nghiệm được xác định rõ ràng, việc so sánh kết quả và thực hiện thay đổi đối với các mô hình có thể trở nên phức tạp và dẫn đến lỗi. Trên thực tế, tự động hóa quy trình này là một lựa chọn tuyệt vời có thể đảm bảo tính nhất quán tốt hơn.
Đó chính xác là những gì tích hợp DVCLive hỗ trợ Ultralytics nhằm mục đích thực hiện. DVCLive cung cấp một cách đơn giản để tự động ghi lại thông tin chi tiết về thử nghiệm, trực quan hóa kết quả và quản lý theo dõi hiệu suất mô hình, tất cả đều nằm trong một quy trình làm việc duy nhất.
Trong bài viết này, chúng tôi sẽ thảo luận về cách sử dụng tích hợp DVCLive trong khi đào tạo Ultralytics YOLO11 . Chúng ta cũng sẽ xem xét những lợi ích của nó và cách nó giúp theo dõi thử nghiệm dễ dàng hơn để phát triển mô hình Vision AI tốt hơn.
DVCLive, được tạo ra bởi DVC (Data Version Control), là một công cụ nguồn mở đáng tin cậy được thiết kế để theo dõi các thí nghiệm học máy. DVCLive Python thư viện cung cấp trình ghi nhật ký thử nghiệm thời gian thực giúp các nhà phát triển và nghiên cứu AI có thể theo dõi số liệu và thông số của các thử nghiệm của họ.
Ví dụ, nó có thể tự động ghi lại các số liệu hiệu suất mô hình chính, so sánh kết quả giữa các lần chạy đào tạo và trực quan hóa hiệu suất mô hình. Các tính năng này cho phép DVCLive giúp bạn duy trì quy trình học máy có cấu trúc và có thể tái tạo.
Tích hợp DVCLive dễ sử dụng và có thể cải thiện các dự án thị giác máy tính của bạn bằng cách cung cấp các công cụ phân tích và hình ảnh dữ liệu rõ ràng, dễ hiểu. Sau đây là một số tính năng chính khác của DVCLive:
Khi bạn xem qua tài liệu Ultralytics và khám phá các tích hợp có sẵn, bạn có thể tự hỏi: Điều gì làm nên sự khác biệt của tích hợp DVCLive và tại sao tôi nên chọn tích hợp này cho quy trình làm việc của mình?
Với các tích hợp như TensorBoard và MLflow cũng cung cấp các công cụ theo dõi số liệu và trực quan hóa kết quả, điều quan trọng là phải hiểu được những phẩm chất độc đáo khiến tích hợp này trở nên nổi bật.
Đây là lý do tại sao DVCLive có thể là lựa chọn lý tưởng cho bạn Ultralytics YOLO dự án:
Theo dõi Ultralytics YOLO11 đào tạo mô hình với DVCLive đơn giản hơn bạn mong đợi. Sau khi các thư viện cần thiết được cài đặt và cấu hình, bạn có thể nhanh chóng bắt đầu đào tạo tùy chỉnh YOLO11 người mẫu.
Sau khi đào tạo, bạn có thể điều chỉnh các thiết lập chính như epoch (số lần mô hình trải qua toàn bộ tập dữ liệu), persistence (thời gian chờ trước khi dừng nếu không có cải thiện) và kích thước hình ảnh mục tiêu (độ phân giải của hình ảnh được sử dụng để đào tạo) để cải thiện độ chính xác. Sau đó, bạn có thể sử dụng công cụ trực quan hóa của DVCLive để so sánh các phiên bản khác nhau của mô hình và phân tích hiệu suất của chúng.
Để hiểu rõ hơn về quy trình đào tạo mô hình và các phương pháp hay nhất, hãy xem tài liệu của chúng tôi về đào tạo tùy chỉnh Ultralytics YOLO mô hình.
Tiếp theo, chúng ta hãy cùng tìm hiểu cách cài đặt và sử dụng tích hợp DVCLive trong khi đào tạo tùy chỉnh YOLO11 .
Trước khi bạn có thể bắt đầu đào tạo YOLO11 , bạn sẽ cần cài đặt cả gói Ultralytics Python và DVCLive. Tích hợp này được thiết kế theo cách mà cả hai thư viện đều hoạt động liền mạch với nhau theo mặc định, do đó bạn không cần phải lo lắng về các cấu hình phức tạp.
Toàn bộ quá trình cài đặt có thể được hoàn thành chỉ trong vài phút với một lệnh Pip duy nhất, đây là một công cụ quản lý gói để cài đặt Python thư viện, như thể hiện trong hình ảnh bên dưới.
Sau khi cài đặt các gói, bạn có thể thiết lập môi trường và thêm thông tin xác thực cần thiết để đảm bảo DVCLive chạy trơn tru. Thiết lập kho lưu trữ Git cũng hữu ích để theo dõi mã của bạn và mọi thay đổi đối với cài đặt DVCLive của bạn.
Để biết hướng dẫn từng bước chi tiết và các mẹo hữu ích khác, hãy xem Hướng dẫn cài đặt của chúng tôi. Trong trường hợp bạn gặp bất kỳ sự cố nào khi cài đặt các gói cần thiết, Hướng dẫn sự cố thường gặp của chúng tôi có các giải pháp và tài nguyên để giúp bạn.
Sau khi bạn YOLO11 phiên đào tạo mô hình đã hoàn tất, bạn có thể sử dụng các công cụ trực quan hóa để phân tích kết quả một cách sâu sắc. Cụ thể, bạn có thể sử dụng API của DVC để trích xuất dữ liệu và xử lý nó bằng Pandas ((a Python thư viện giúp làm việc với dữ liệu dễ dàng hơn, như sắp xếp dữ liệu thành bảng để phân tích và so sánh) để xử lý và trực quan hóa dễ dàng hơn.
Để khám phá kết quả theo cách tương tác và trực quan hơn, bạn cũng có thể thử sử dụng biểu đồ tọa độ song song của Plotly (một loại biểu đồ hiển thị cách các tham số mô hình và kết quả hiệu suất khác nhau được kết nối như thế nào.
Cuối cùng, bạn có thể sử dụng thông tin chi tiết từ các hình ảnh trực quan này để đưa ra quyết định tốt hơn về việc tối ưu hóa mô hình, điều chỉnh siêu tham số hoặc thực hiện các sửa đổi khác để tăng hiệu suất tổng thể của mô hình.
Bây giờ chúng ta đã học cách cài đặt và hình dung YOLO11 kết quả đào tạo bằng cách sử dụng tích hợp DVCLive, chúng ta hãy khám phá một số ứng dụng mà tích hợp này có thể nâng cao.
Khi nói đến nông nghiệp và thu hoạch cây trồng để làm thực phẩm, độ chính xác có thể tạo ra sự khác biệt rất lớn. Ví dụ, nông dân có thể sử dụng YOLO11 Hỗ trợ phát hiện đối tượng và phân đoạn trường hợp để xác định các bệnh tiềm ẩn trên cây trồng, theo dõi vật nuôi và phát hiện tình trạng xâm nhiễm của sâu bệnh.
Đặc biệt, YOLO11 có thể giúp phát hiện sớm các dấu hiệu của bệnh thực vật, sâu bệnh có hại hoặc động vật không khỏe mạnh bằng cách phân tích hình ảnh từ máy bay không người lái hoặc máy ảnh. Các loại hệ thống Vision AI này cho phép nông dân hành động nhanh chóng để ngăn chặn các vấn đề lây lan, tiết kiệm thời gian và giảm thiểu tổn thất.
Vì điều kiện trang trại liên tục thay đổi theo thời tiết và mùa, nên điều quan trọng là phải thử nghiệm các mô hình trên nhiều hình ảnh khác nhau để đảm bảo chúng hoạt động tốt trong các tình huống khác nhau. Sử dụng tích hợp DVCLive để đào tạo tùy chỉnh YOLO11 đối với các ứng dụng nông nghiệp là một cách tuyệt vời để theo dõi hiệu suất của nó, đặc biệt là với các tập dữ liệu đa dạng.
Các cửa hàng bán lẻ có thể sử dụng AI và thị giác máy tính để hiểu hành vi của khách hàng và thực hiện những cải tiến nhằm nâng cao trải nghiệm mua sắm.
Bằng cách phân tích video từ camera an ninh, YOLO11 có thể theo dõi cách mọi người di chuyển quanh cửa hàng, khu vực nào có nhiều người qua lại nhất và cách người mua sắm tương tác với sản phẩm. Dữ liệu này sau đó có thể được sử dụng để tạo bản đồ nhiệt nhằm giới thiệu kệ hàng nào thu hút nhiều sự chú ý nhất, thời gian khách hàng dành ở các lối đi khác nhau và liệu màn hình quảng cáo có được chú ý hay không.
Với thông tin kinh doanh này, chủ cửa hàng có thể sắp xếp lại sản phẩm để tăng doanh số, đẩy nhanh tốc độ thanh toán và điều chỉnh nhân viên để hỗ trợ khách hàng ở bất cứ nơi nào và bất cứ khi nào họ cần nhất.
Thông thường, các cửa hàng bán lẻ có những đặc điểm riêng, chẳng hạn như điều kiện ánh sáng, cách bố trí và quy mô đám đông khác nhau. Do những khác biệt này, các mô hình thị giác máy tính được sử dụng để phân tích hoạt động của cửa hàng cần được kiểm tra và điều chỉnh cẩn thận cho từng địa điểm để đảm bảo độ chính xác. Ví dụ, tích hợp DVCLive có thể giúp tinh chỉnh YOLO11 , giúp ứng dụng bán lẻ chính xác và đáng tin cậy hơn, cho phép hiểu rõ hơn về hành vi của khách hàng và hoạt động của cửa hàng.
Đào tạo tùy chỉnh YOLO11 trong khi sử dụng tích hợp DVCLive giúp bạn dễ dàng theo dõi và cải thiện các thí nghiệm thị giác máy tính của mình. Nó tự động ghi lại các chi tiết quan trọng, hiển thị kết quả trực quan rõ ràng và giúp bạn so sánh các phiên bản khác nhau của mô hình.
Cho dù bạn đang cố gắng tăng năng suất trang trại hay cải thiện trải nghiệm mua sắm trong cửa hàng, tích hợp này đảm bảo các mô hình Vision AI của bạn hoạt động tốt. Với tính năng theo dõi thử nghiệm, bạn có thể kiểm tra, tinh chỉnh và tối ưu hóa các mô hình của mình một cách có hệ thống, dẫn đến cải tiến liên tục về độ chính xác và hiệu suất.
Tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về Vision AI và xem các tùy chọn cấp phép của chúng tôi để khởi động các dự án thị giác máy tính của bạn. Bạn có quan tâm đến những đổi mới như AI trong sản xuất hoặc thị giác máy tính trong xe tự lái không ? Truy cập các trang giải pháp của chúng tôi để khám phá thêm.
Bắt đầu hành trình của bạn với tương lai của machine learning
