Fortgeschrittene YOLO26-Versuchsverfolgung mit DVCLive
Die Experimentnachverfolgung im Machine Learning ist für die Modellentwicklung und -bewertung entscheidend. Dabei werden verschiedene Parameter, Metriken und Ergebnisse zahlreicher Trainingsläufe aufgezeichnet und analysiert. Dieser Prozess ist wichtig, um die Modellleistung zu verstehen und datengestützte Entscheidungen zur Verfeinerung und Optimierung von Modellen zu treffen.
Die Integration von DVCLive mit Ultralytics YOLO26 protokolliert automatisch wichtige Experimentdetails, vergleicht Ergebnisse aus verschiedenen Durchläufen und visualisiert Daten für eine eingehende Analyse. Diese Anleitung zeigt dir, wie du die Integration einrichtest und verwendest.
DVCLive#
DVCLive, entwickelt von DVC, ist ein Open-Source-Werkzeug zur Experimentnachverfolgung im Machine Learning. Es arbeitet mit Git und DVC zusammen, um Experimentdaten wie Modellparameter und Trainingsmetriken automatisch zu protokollieren, und erleichtert den Vergleich und die Analyse mehrerer Durchläufe mit Werkzeugen zur Datenvisualisierung und Analyse.
YOLO26-Training mit DVCLive#
Trainingssitzungen mit YOLO26 lassen sich mit DVCLive überwachen. DVC bietet auch Werkzeuge zur Visualisierung dieser Experimente, darunter einen Bericht, der Metrikdiagramme aller nachverfolgten Experimente vergleicht.
Installation#
Führe zum Installieren der erforderlichen Pakete Folgendes aus:
# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvcliveAusführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer YOLO26-Installationsanleitung. Falls bei der Installation der für YOLO26 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zu häufigen Problemen.
DVCLive konfigurieren#
Nachdem du die erforderlichen Pakete installiert hast, richte deine Projektumgebung so ein, dass DVCLive Experimente zusammen mit deinem Code aufzeichnen kann.
Initialisiere zunächst ein Git-Repository, da Git eine wichtige Rolle bei der Versionsverwaltung deines Codes und deiner DVCLive-Konfigurationen spielt.
# Initialize a Git repository
git init -q
# Configure Git with your details
git config --local user.email "your-email"
git config --local user.name "Your Name"
# Initialize DVC in your project
dvc init -q
# Commit the DVC setup to your Git repository
git commit -m "DVC init"Achte bei diesen Befehlen darauf, your-email durch die E-Mail-Adresse deines Git-Kontos und "Your Name" durch den Benutzernamen deines Git-Kontos zu ersetzen.
Verwendung#
YOLO26-Modelle mit DVCLive trainieren#
Starte zunächst deine YOLO26-Trainingsläufe. Du kannst verschiedene Modellkonfigurationen und Trainingsparameter verwenden, um sie an die Anforderungen deines Projekts anzupassen. Zum Beispiel:
# Example training commands for YOLO26 with varying configurations
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=640Passe die Parameter für Modell, Daten, Epochen und imgsz an deine Anforderungen an. Eine ausführliche Erläuterung des Modelltrainings und bewährte Vorgehensweisen findest du in unserer Anleitung zum YOLO26-Modelltraining.
Experimente mit DVCLive überwachen#
DVCLive verbessert den Trainingsprozess, indem es die Erfassung und Visualisierung wichtiger Metriken ermöglicht. Sobald DVCLive installiert ist, ist der Callback standardmäßig aktiviert. Er protokolliert die Trainingsargumente, die Verluste pro Epoche, Validierungsmetriken und Lernraten, die Trainings- und Validierungsdiagramme, eine Konfusionsmatrix sowie best.pt als Modellartefakt. Führe yolo settings dvc=False aus, um die Integration zu deaktivieren. Eine umfassende Übersicht über die spezifischen Leistungsmetriken, die während des Trainings verwendet werden, findest du in unserer ausführlichen Anleitung zu Leistungsmetriken.
Ergebnisse analysieren#
Nach Abschluss deiner YOLO26-Trainingssitzungen kannst du die Visualisierungswerkzeuge von DVCLive verwenden, um die Ergebnisse zu analysieren. Da die Integration alle Trainingsmetriken protokolliert, kannst du die Leistung deines Modells über mehrere Durchläufe hinweg bewerten.
Zu Beginn der Analyse kannst du die Experimentdaten über die DVC-API extrahieren und sie mit Pandas verarbeiten, um sie einfacher zu handhaben und zu visualisieren:
import dvc.api
import pandas as pd
# Die relevanten Spalten festlegen
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]
# Experimentdaten abrufen
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)
# Daten bereinigen
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)
# Den DataFrame anzeigen
print(df)Die Ausgabe des obigen Codeausschnitts zeigt die verschiedenen mit YOLO26-Modellen durchgeführten Experimente übersichtlich in Tabellenform. Jede Zeile steht für einen Trainingslauf und enthält den Namen des Experiments, die Anzahl der Epochen, die Bildgröße (imgsz), das verwendete Modell und die Kennzahl mAP50-95(B). Diese Kennzahl ist entscheidend für die Bewertung der Genauigkeit des Modells; höhere Werte weisen auf eine bessere Leistung hin.
Ergebnisse mit Plotly visualisieren#
Für eine interaktivere und visuelle Analyse deiner Experimentergebnisse kannst du Plotlys Parallelkoordinatendiagramm verwenden. Dieser Diagrammtyp eignet sich besonders gut, um Zusammenhänge und Zielkonflikte zwischen verschiedenen Parametern und Kennzahlen zu verstehen.
from plotly.express import parallel_coordinates
# Ein Parallelkoordinatendiagramm erstellen
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
# Das Diagramm anzeigen
fig.show()Die Ausgabe des obigen Codeausschnitts erzeugt ein Diagramm, das die Beziehungen zwischen Epochen, Bildgröße, Modelltyp und den jeweiligen mAP50-95(B)-Werten veranschaulicht. So kannst du Trends und Muster in deinen Experimentdaten erkennen.
Vergleichende Visualisierungen mit DVC erstellen#
DVC bietet einen praktischen Befehl zum Erstellen vergleichender Diagramme für deine Experimente. Das kann besonders hilfreich sein, um die Leistung verschiedener Modelle über mehrere Trainingsläufe hinweg zu vergleichen.
# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)Nach Ausführung dieses Befehls erstellt DVC Diagramme, die Kennzahlen aus verschiedenen Experimenten vergleichen, und speichert sie als HTML-Dateien. Unten siehst du ein Beispielbild mit typischen Diagrammen, die durch diesen Vorgang erstellt werden. Das Bild zeigt verschiedene Grafiken, darunter solche für mAP, Recall, Präzision, Verlustwerte und mehr, und bietet so einen visuellen Überblick über wichtige Leistungskennzahlen:
DVC-Diagramme anzeigen#
Wenn du ein Jupyter-Notebook verwendest und die erstellten DVC-Diagramme anzeigen möchtest, kannst du die Anzeigefunktion von IPython nutzen.
from IPython.display import HTML
# Die DVC-Diagramme als HTML anzeigen
HTML(filename="./dvc_plots/index.html")Mit diesem Code wird die HTML-Datei mit den DVC-Diagrammen direkt in deinem Jupyter-Notebook dargestellt. So kannst du die visualisierten Experimentdaten einfach und bequem analysieren.
Datengestützte Entscheidungen treffen#
Nutze die Erkenntnisse aus diesen Visualisierungen, um fundierte Entscheidungen zu Modelloptimierungen, zur Optimierung von Hyperparametern und zu weiteren Änderungen zu treffen, die die Modellleistung verbessern.
Experimente iterativ verbessern#
Passe deine Experimente auf Grundlage deiner Analyse an. Ändere Modellkonfigurationen, Trainingsparameter oder auch die Dateneingaben und wiederhole den Trainings- und Analyseprozess. Dieser iterative Ansatz ist entscheidend, um dein Modell zu verfeinern und die bestmögliche Leistung zu erzielen.
Zusammenfassung#
Diese Anleitung hat dich von der Einrichtung bis zur Überwachung, Visualisierung und Analyse von Experimenten durch die Integration von DVCLive mit Ultralytics YOLO26 geführt.
Weitere Informationen zur Verwendung findest du in der offiziellen Dokumentation von DVCLive.
Häufig gestellte Fragen#
Die Integration von DVCLive mit Ultralytics YOLO26 ist unkompliziert. Installiere zunächst die erforderlichen Pakete:
Installationpip install ultralytics dvcliveInitialisiere anschließend ein Git-Repository und richte DVCLive in deinem Projekt ein:
Ersteinrichtung der Umgebunggit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"Eine ausführliche Anleitung zur Einrichtung findest du in unserem Installationsleitfaden für YOLO26.
Die Verwendung von DVCLive mit YOLO26 bietet mehrere Vorteile, darunter:
- Automatische Protokollierung: DVCLive zeichnet wichtige Experimentdetails wie Modellparameter und Kennzahlen automatisch auf.
- Einfacher Vergleich: Erleichtert den Vergleich von Ergebnissen aus verschiedenen Trainingsläufen.
- Visualisierungswerkzeuge: Nutzt die Datenvisualisierungsfunktionen von DVCLive für eine eingehende Analyse.
Weitere Informationen findest du in unseren Leitfäden zu YOLO26-Modelltraining und YOLO-Leistungskennzahlen, damit du die Effizienz der Experimentverfolgung maximieren kannst.
Nach Abschluss deiner YOLO26-Trainingsläufe hilft DVCLive dabei, die Ergebnisse effektiv zu visualisieren und zu analysieren. Beispielcode zum Laden und Anzeigen von Experimentdaten:
import dvc.api import pandas as pd # Relevante Spalten festlegen columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"] # Experimentdaten abrufen df = pd.DataFrame(dvc.api.exp_show(), columns=columns) # Daten bereinigen df.dropna(inplace=True) df.reset_index(drop=True, inplace=True) # DataFrame anzeigen print(df)Um Ergebnisse interaktiv zu visualisieren, verwende Plotlys Parallelkoordinatendiagramm:
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()Weitere Beispiele und bewährte Vorgehensweisen findest du in unserem Leitfaden zu YOLO26-Training mit DVCLive.
Führe die folgenden Schritte aus, um deine Umgebung für eine reibungslose Integration von DVCLive und YOLO26 einzurichten:
- Erforderliche Pakete installieren: Verwende
pip install ultralytics dvclive. - Git-Repository initialisieren: Führe
git init -qaus. - DVC initialisieren: Führe
dvc init -qaus. - In Git committen: Verwende
git commit -m "DVC init".
Diese Schritte stellen eine ordnungsgemäße Versionskontrolle und Einrichtung für die Experimentnachverfolgung sicher.
- Erforderliche Pakete installieren: Verwende
DVCLive bietet Werkzeuge zur Visualisierung der Ergebnisse von YOLO26-Experimenten. So erstellst du Vergleichsdiagramme:
Vergleichende Diagramme erstellendvc plots diff $(dvc exp list --names-only)Um diese Diagramme in einem Jupyter-Notebook anzuzeigen, verwende:
from IPython.display import HTML # Diagramme als HTML anzeigen HTML(filename="./dvc_plots/index.html")Diese Visualisierungen helfen dabei, Trends zu erkennen und die Modellleistung zu optimieren.
Kommentare5
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
UltralyticsAssistantUltralytics
👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!
We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.
If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.
Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:
Upgrade
Make sure you're using the latest version of the
ultralyticspackage by upgrading in your setup:pip install -U ultralyticsThe latest version ensures compatibility with integrations like DVCLive and other features.
Supported Environments
You can work seamlessly with YOLO and its integrations in the following environments:
- Notebooks with free GPU:
- Cloud Platforms like Google Cloud, AWS, or with a Docker setup
.
For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.
An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨
liggr
Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?
Glenn JocherUltralytics@liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with
dvc exp list --names-onlyafter training. For setup details, refer to the DVCLive integration guide.
- Notebooks with free GPU:
liggr
Can this DVC be integrated with the YOLOV8 model?
Glenn JocherUltralyticsYes, DVC can be integrated with YOLOv8 for experiment tracking. The process is similar to the YOLO11 integration shown in our documentation. For YOLOv8-specific implementation details, see our guide at https://docs.ultralytics.com/integrations/dvc/ which applies to all YOLO versions.