Erweiterte YOLO26-Versuchsverfolgung mit DVCLive#

Die Verfolgung von Experimenten im maschinellen Lernen ist für die Entwicklung und Bewertung von Modellen entscheidend. Dabei werden verschiedene Parameter, Metriken und Ergebnisse aus zahlreichen Trainingsläufen aufgezeichnet und analysiert. Dieser Prozess ist unerlässlich, um die Modellleistung zu verstehen und datengestützte Entscheidungen zur Verbesserung und Optimierung von Modellen zu treffen.

Die Integration von DVCLive in Ultralytics YOLO26 verändert die Art und Weise, wie Experimente verfolgt und verwaltet werden. Diese Integration bietet eine nahtlose Lösung für die automatische Protokollierung wichtiger Experimentdetails, den Vergleich von Ergebnissen aus verschiedenen Läufen und die Visualisierung von Daten für eine detaillierte Analyse. In diesem Leitfaden erfährst du, wie du DVCLive zur Optimierung dieses Prozesses einsetzen kannst.

DVCLive#

DVCLive, entwickelt von DVC, ist ein innovatives Open-Source-Werkzeug zur Verfolgung von Experimenten im maschinellen Lernen. Durch die nahtlose Integration in Git und DVC automatisiert es die Protokollierung wichtiger Experimentdaten wie Modellparameter und Trainingsmetriken. DVCLive wurde auf einfache Bedienung ausgelegt und ermöglicht den mühelosen Vergleich und die Analyse mehrerer Läufe. Intuitive Werkzeuge zur Datenvisualisierung und Analyse steigern dabei die Effizienz von Projekten im maschinellen Lernen.

YOLO26-Training mit DVCLive#

YOLO26-Trainingssitzungen lassen sich mit DVCLive effektiv überwachen. Zusätzlich bietet DVC wichtige Funktionen zur Visualisierung dieser Experimente, darunter die Erstellung eines Berichts, mit dem du Metrikdiagramme aller verfolgten Experimente vergleichen kannst. So erhältst du einen umfassenden Überblick über den Trainingsprozess.

Installation#

Führe zur Installation der erforderlichen Pakete Folgendes aus:

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

Ausführliche Anweisungen und bewährte Verfahren zur Installation findest du in unserem YOLO26-Installationsleitfaden. Wenn du bei der Installation der für YOLO26 erforderlichen Pakete auf Schwierigkeiten stößt, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.

DVCLive konfigurieren#

Nachdem du die erforderlichen Pakete installiert hast, besteht der nächste Schritt darin, deine Umgebung einzurichten und mit den erforderlichen Zugangsdaten zu konfigurieren. Diese Einrichtung gewährleistet eine reibungslose Integration von DVCLive in deinen bestehenden Arbeitsablauf.

Beginne mit der Initialisierung eines Git-Repositorys, da Git eine zentrale Rolle bei der Versionsverwaltung sowohl deines Codes als auch 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 DVCLive in your project
dvc init -q

# Commit the DVCLive setup to your Git repository
git commit -m "DVC init"

Ersetze in diesen Befehlen unbedingt your-email durch die mit deinem Git-Konto verknüpfte E-Mail-Adresse und "Your Name" durch den Benutzernamen deines Git-Kontos.

Verwendung#

Bevor du mit den Nutzungsanweisungen beginnst, sieh dir unbedingt die Auswahl an YOLO26-Modellen von Ultralytics an. So kannst du das für deine Projektanforderungen am besten geeignete Modell auswählen.

YOLO26-Modelle mit DVCLive trainieren#

Starte zunächst deine YOLO26-Trainingssitzungen. Du kannst verschiedene Modellkonfigurationen und Trainingsparameter verwenden, die zu den Anforderungen deines Projekts passen. 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 spezifischen Anforderungen an. Eine ausführliche Erläuterung des Modelltrainings und bewährter Vorgehensweisen findest du in unserem Leitfaden zum YOLO26-Modelltraining.

Experimente mit DVCLive überwachen#

DVCLive verbessert den Trainingsprozess, indem es die Verfolgung und Visualisierung wichtiger Metriken ermöglicht. Nach der Installation wird Ultralytics YOLO26 automatisch für die Verfolgung von Experimenten in DVCLive integriert. Die Daten kannst du später analysieren, um Erkenntnisse über die Leistung zu gewinnen. Eine umfassende Erläuterung der während des Trainings verwendeten Leistungsmetriken findest du in unserem ausführlichen Leitfaden zu Leistungsmetriken.

Ergebnisse analysieren#

Nach Abschluss deiner YOLO26-Trainingssitzungen kannst du die leistungsstarken Visualisierungswerkzeuge von DVCLive für eine eingehende Analyse der Ergebnisse nutzen. Durch die Integration in DVCLive werden alle Trainingsmetriken systematisch protokolliert, was eine umfassende Bewertung der Modellleistung ermöglicht.

Um die Analyse zu beginnen, kannst du die Experimentdaten über die API von DVC extrahieren und mit pandas verarbeiten, damit sie sich leichter handhaben und visualisieren lassen:

import dvc.api
import pandas as pd

# Define the columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean the data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display the DataFrame
print(df)

Die Ausgabe des obigen Codeausschnitts bietet eine übersichtliche tabellarische Darstellung der verschiedenen mit YOLO26-Modellen durchgeführten Experimente. Jede Zeile stellt einen anderen Trainingslauf dar und enthält den Namen des Experiments, die Anzahl der Epochen, die Bildgröße (imgsz), das verwendete Modell sowie die Metrik mAP50-95(B). Diese Metrik 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 visuellere Analyse deiner Experimentergebnisse kannst du das Parallelkoordinatendiagramm von Plotly verwenden. Dieser Diagrammtyp eignet sich besonders gut, um Beziehungen und Zielkonflikte zwischen verschiedenen Parametern und Metriken zu verstehen.

from plotly.express import parallel_coordinates

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

Die Ausgabe des obigen Codeausschnitts erzeugt ein Diagramm, das die Beziehungen 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 nützlichen 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 der Ausführung dieses Befehls erstellt DVC Diagramme, in denen die Metriken verschiedener Experimente verglichen werden, und speichert sie als HTML-Dateien. Unten siehst du ein Beispielbild mit typischen Diagrammen, die durch diesen Prozess erzeugt werden. Das Bild zeigt verschiedene Diagramme, darunter Darstellungen von mAP, Recall, Precision, Verlustwerten und weiteren Metriken, 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 verwenden.

from IPython.display import HTML

# Display the DVC plots as HTML
HTML(filename="./dvc_plots/index.html")

Dieser Code rendert die HTML-Datei mit den DVC-Diagrammen direkt in deinem Jupyter Notebook und bietet dir eine einfache und bequeme Möglichkeit, die visualisierten Experimentdaten zu analysieren.

Datengestützte Entscheidungen treffen#

Nutze die aus diesen Visualisierungen gewonnenen Erkenntnisse, um fundierte Entscheidungen über Modelloptimierungen, die Abstimmung von Hyperparametern und weitere Änderungen zur Verbesserung der Modellleistung zu treffen.

Experimente iterativ weiterentwickeln#

Entwickle deine Experimente auf Grundlage deiner Analyse weiter. Passe Modellkonfigurationen, Trainingsparameter oder sogar die Dateneingaben an und wiederhole den Trainings- und Analyseprozess. Dieser iterative Ansatz ist entscheidend, um dein Modell für die bestmögliche Leistung zu verfeinern.

Zusammenfassung#

Dieser Leitfaden hat dich durch die Integration von DVCLive in Ultralytics YOLO26 geführt. Du hast gelernt, wie du DVCLive für eine detaillierte Überwachung von Experimenten, eine effektive Visualisierung und aussagekräftige Analysen in deinen Projekten zum maschinellen Lernen einsetzen kannst.

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

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Seite mit dem Ultralytics-Integrationsleitfaden, die eine Sammlung hilfreicher Ressourcen und Erkenntnisse bietet.

FAQ#