Fortgeschrittene YOLO26-Versuchsverfolgung mit DVCLive#

Die Versuchsverfolgung im maschinellen Lernen ist entscheidend für die Entwicklung und Bewertung von Modellen. Dabei werden verschiedene Parameter, Kennzahlen und Ergebnisse zahlreicher Trainingsläufe aufgezeichnet und analysiert. Dieser Prozess ist unverzichtbar, um die Modellleistung zu verstehen und datengestützte Entscheidungen zur Weiterentwicklung und Optimierung von Modellen zu treffen.

Die Integration von DVCLive in Ultralytics YOLO26 verändert die Art und Weise, wie Experimente verfolgt und verwaltet werden. Die Integration protokolliert automatisch wichtige Versuchsdaten, ermöglicht den Ergebnisvergleich verschiedener Durchläufe und visualisiert Daten für eine eingehende Analyse. In dieser Anleitung erfährst du, wie DVCLive den Prozess vereinfachen kann.

DVCLive#

DVCLive, entwickelt von DVC, ist ein innovatives Open-Source-Werkzeug zur Versuchsverfolgung im maschinellen Lernen. Durch die nahtlose Integration mit Git und DVC protokolliert es automatisch wichtige Versuchsdaten wie Modellparameter und Trainingskennzahlen. DVCLive wurde auf einfache Bedienung ausgelegt und ermöglicht den mühelosen Vergleich und die Analyse mehrerer Durchläufe. Intuitive Werkzeuge zur Datenvisualisierung und Analyse steigern die Effizienz von Projekten im maschinellen Lernen.

YOLO26-Training mit DVCLive#

YOLO26-Trainingsläufe lassen sich mit DVCLive effektiv überwachen. DVC bietet außerdem wichtige Funktionen zur Visualisierung dieser Experimente, darunter die Erstellung eines Berichts, mit dem sich Kennzahlendiagramme aller erfassten Experimente vergleichen lassen und der einen umfassenden Überblick über den Trainingsprozess bietet.

Installation#

Führe zum Installieren der erforderlichen Pakete Folgendes aus:

# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclive

Ausführliche 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, richtest du deine Umgebung ein und konfigurierst die benötigten Zugangsdaten. Damit stellst du eine reibungslose Integration von DVCLive in deinen bestehenden Arbeitsablauf sicher.

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#

Bevor du mit den Anwendungshinweisen beginnst, solltest du dir die verschiedenen YOLO26-Modelle von Ultralytics ansehen. So findest du das Modell, das am besten zu den Anforderungen deines Projekts passt.

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=640

Passe 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 Kennzahlen ermöglicht. Nach der Installation wird Ultralytics YOLO26 automatisch in DVCLive integriert, um Experimente zu verfolgen, die du später auswerten kannst, um Erkenntnisse zur Leistung zu gewinnen. Eine ausführliche Erklärung der beim Training verwendeten Leistungskennzahlen findest du in unserem detaillierten Leitfaden zu Leistungskennzahlen.

Ergebnisse analysieren#

Nach Abschluss deiner YOLO26-Trainingsläufe kannst du die leistungsstarken Visualisierungstools von DVCLive für eine eingehende Analyse der Ergebnisse nutzen. Durch die Integration mit DVCLive werden alle Trainingskennzahlen systematisch protokolliert, was eine umfassende Bewertung der Modellleistung ermöglicht.

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 bietet eine übersichtliche tabellarische Darstellung der verschiedenen Experimente mit YOLO26-Modellen. Jede Zeile steht für einen Trainingslauf und enthält den Experimentnamen, die Anzahl der Epochen, die Bildgröße (imgsz), das verwendete Modell und den Wert der 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 Zusammenhänge zwischen Epochen, Bildgröße, Modelltyp und den zugehörigen mAP50-95(B)-Werten visuell darstellt. 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#

Dieser Leitfaden hat dich durch die Integration von DVCLive mit Ultralytics YOLO26 geführt. Du hast erfahren, wie du DVCLive für die detaillierte Überwachung von Experimenten, aussagekräftige Visualisierungen und fundierte Analysen beim maschinellen Lernen nutzen kannst.

Weitere Informationen zur Verwendung findest du in der offiziellen Dokumentation von DVCLive.

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Übersichtsseite zu Ultralytics-Integrationen, die zahlreiche hilfreiche Ressourcen und Erkenntnisse enthält.

Häufig gestellte Fragen#