Fortgeschrittenes YOLO26-Experiment-Tracking mit DVCLive#

Das Experiment-Tracking beim Machine Learning ist entscheidend für die Modellentwicklung und -auswertung. Es umfasst die Aufzeichnung und Analyse verschiedener Parameter, Metriken und Ergebnisse aus zahlreichen Trainingsdurchläufen. Dieser Prozess ist essenziell, um die Modellleistung zu verstehen und datengestützte Entscheidungen zur Verfeinerung und Optimierung von Modellen zu treffen.

Die Integration von DVCLive mit Ultralytics YOLO26 verändert die Art und Weise, wie Experimente getrackt und verwaltet werden. Diese Integration bietet eine nahtlose Lösung zur automatischen Protokollierung wichtiger Experimentdetails, zum Vergleichen von Ergebnissen über verschiedene Durchläufe hinweg und zum Visualisieren von Daten für eine eingehende Analyse. In dieser Anleitung erfährst du, wie DVCLive genutzt werden kann, um diesen Prozess zu optimieren.

DVCLive#

DVCLive, entwickelt von DVC, ist ein innovatives Open-Source-Tool für das Experiment-Tracking im Bereich Machine Learning. Da es sich nahtlos in Git und DVC einfügt, automatisiert es die Protokollierung entscheidender Experimentdaten wie Modellparameter und Trainingsmetriken. DVCLive ist auf Einfachheit ausgelegt und ermöglicht den mühelosen Vergleich sowie die Analyse mehrerer Durchläufe, wodurch die Effizienz von Machine-Learning-Projekten durch intuitive Tools zur Datenvisualisierung und Analyse gesteigert wird.

YOLO26-Training mit DVCLive#

YOLO26-Trainingseinheiten können effektiv mit DVCLive überwacht werden. Zusätzlich bietet DVC integrale Funktionen zur Visualisierung dieser Experimente, einschließlich der Erstellung eines Berichts, der den Vergleich von Metrik-Diagrammen über alle nachverfolgten Experimente hinweg ermöglicht und einen umfassenden Überblick über den Trainingsprozess bietet.

Installation#

Um die erforderlichen Pakete zu installieren, führe aus:

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

Detaillierte Anweisungen und Best Practices zum Installationsprozess findest du in unserer YOLO26 Installation guide. Solltest du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stoßen, schaue in unserem Common Issues guide nach Lösungen und Tipps.

DVCLive konfigurieren#

Sobald du die notwendigen Pakete installiert hast, besteht der nächste Schritt darin, deine Umgebung mit den erforderlichen Anmeldeinformationen einzurichten und zu konfigurieren. Dieses Setup sorgt für eine reibungslose Integration von DVCLive in deinen bestehenden Arbeitsablauf.

Beginne mit der Initialisierung eines Git-Repositorys, da Git eine entscheidende Rolle bei der Versionskontrolle sowohl für deinen Code als auch für deine 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 your-email durch die E-Mail-Adresse, die mit deinem Git-Konto verknüpft ist, und „Your Name“ durch den Benutzernamen deines Git-Kontos.

Verwendung#

Bevor du in die Nutzungshinweise eintauchst, solltest du dir unbedingt die Reihe der von Ultralytics angebotenen YOLO26-Modelle ansehen. Dies hilft dir dabei, das am besten geeignete Modell für deine Projektanforderungen auszuwählen.

Training von YOLO26-Modellen mit DVCLive#

Starte mit der Ausführung deiner YOLO26-Trainingseinheiten. Du kannst verschiedene Modellkonfigurationen und Trainingsparameter verwenden, um sie an deine Projektanforderungen 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 spezifischen Anforderungen an. Eine detaillierte Erläuterung des Modelltrainingsprozesses und bewährter Methoden findest du in unserem Leitfaden zum YOLO26-Modelltraining.

Experimente mit DVCLive überwachen#

DVCLive verbessert den Trainingsprozess, indem es das Tracking und die Visualisierung wichtiger Metriken ermöglicht. Nach der Installation integriert sich Ultralytics YOLO26 automatisch in DVCLive für das Experiment-Tracking, das du später auf Leistungsmetriken hin analysieren kannst. Um die spezifischen Leistungsmetriken, die während des Trainings verwendet werden, umfassend zu verstehen, solltest du unbedingt unseren detaillierten Leitfaden zu Leistungsmetriken erkunden.

Ergebnisse analysieren#

Nachdem deine YOLO26-Trainingseinheiten abgeschlossen sind, kannst du die leistungsstarken Visualisierungstools von DVCLive für eine eingehende Analyse der Ergebnisse nutzen. Die Integration von DVCLive stellt sicher, dass alle Trainingsmetriken systematisch protokolliert werden, was eine umfassende Bewertung der Leistung deines Modells erleichtert.

Um die Analyse zu starten, kannst du die Experimentdaten mithilfe der API von DVC extrahieren und sie zur einfacheren Handhabung und Visualisierung mit Pandas verarbeiten:

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 Code-Ausschnitts liefert eine übersichtliche tabellarische Ansicht der verschiedenen Experimente, die mit YOLO26-Modellen durchgeführt wurden. Jede Zeile repräsentiert einen anderen Trainingslauf und detailliert den Namen des Experiments, die Anzahl der Epochen, die Bildgröße (imgsz), das verwendete spezifische Modell sowie die Metrik mAP50-95(B). Diese Metrik ist entscheidend für die Bewertung der Genauigkeit des Modells, wobei höhere Werte auf eine bessere Leistung hinweisen.

Ergebnisse mit Plotly visualisieren#

Für eine interaktivere und visuelle Analyse deiner Experimentergebnisse kannst du das parallele Koordinatendiagramm von Plotly verwenden. Diese Art von Diagramm ist besonders nützlich, um die Beziehungen und Kompromisse 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 Code-Schnipsels erzeugt ein Diagramm, das die Beziehungen zwischen Epochen, Bildgröße, Modelltyp und den entsprechenden mAP50-95(B)-Werten visuell darstellt und es dir ermöglicht, Trends und Muster in deinen Experimentdaten zu erkennen.

Vergleichende Visualisierungen mit DVC generieren#

DVC bietet einen nützlichen Befehl zur Erstellung vergleichender Diagramme für deine Experimente. Dies kann besonders hilfreich sein, um die Leistung verschiedener Modelle über verschiedene Trainingsläufe hinweg zu vergleichen.

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

Nach der Ausführung dieses Befehls generiert DVC Diagramme, die die Metriken über verschiedene Experimente hinweg vergleichen und als HTML-Dateien gespeichert werden. Unten siehst du ein Beispielbild, das typische, durch diesen Prozess generierte Diagramme veranschaulicht. Das Bild zeigt verschiedene Grafiken, darunter solche für mAP, Recall, Präzision, Verlustwerte und mehr, und bietet so eine visuelle Übersicht über wichtige Leistungsmetriken:

DVC-Diagramme anzeigen#

Wenn du ein Jupyter Notebook verwendest und die generierten DVC-Diagramme anzeigen möchtest, kannst du die IPython-Anzeigefunktion nutzen.

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 eine einfache und bequeme Möglichkeit, die visualisierten Experimentdaten zu analysieren.

Datengestützte Entscheidungen treffen#

Nutze die Erkenntnisse aus diesen Visualisierungen, um fundierte Entscheidungen über Modelloptimierungen, Hyperparameter-Tuning und andere Modifikationen zur Leistungssteigerung deines Modells zu treffen.

Experimente iterieren#

Iteriere basierend auf deiner Analyse deine Experimente. Passe Modellkonfigurationen, Trainingsparameter oder sogar die Dateneingaben an und wiederhole den Trainings- und Analyseprozess. Dieser iterative Ansatz ist der Schlüssel zur Verfeinerung deines Modells für die bestmögliche Leistung.

Zusammenfassung#

Dieser Leitfaden hat dich durch den Prozess der Integration von DVCLive mit Ultralytics' YOLO26 geführt. Du hast gelernt, wie du die Leistungsfähigkeit von DVCLive für detailliertes Experiment-Monitoring, effektive Visualisierung und aufschlussreiche Analysen in deinen Machine-Learning-Projekten nutzen kannst.

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

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Ultralytics-Integrationsseite, die eine Sammlung hervorragender Ressourcen und Einblicke bietet.

FAQ#