Seguimiento avanzado de experimentos de YOLO26 con DVCLive#

El seguimiento de experimentos en machine learning es fundamental para el desarrollo y la evaluación de modelos. Implica registrar y analizar varios parámetros, métricas y resultados de numerosas ejecuciones de entrenamiento. Este proceso es esencial para comprender el rendimiento del modelo y tomar decisiones basadas en datos para perfeccionar y optimizar los modelos.

Integrar DVCLive con Ultralytics YOLO26 transforma la forma en que se realiza el seguimiento y la gestión de los experimentos. Esta integración ofrece una solución fluida para registrar automáticamente los detalles clave de los experimentos, comparar resultados entre diferentes ejecuciones y visualizar datos para un análisis detallado. En esta guía, comprenderemos cómo se puede utilizar DVCLive para optimizar el proceso.

DVCLive#

DVCLive, desarrollado por DVC, es una herramienta de código abierto innovadora para el seguimiento de experimentos en machine learning. Al integrarse a la perfección con Git y DVC, automatiza el registro de datos cruciales de los experimentos, como los parámetros del modelo y las métricas de entrenamiento. Diseñado para ofrecer simplicidad, DVCLive permite comparar y analizar fácilmente múltiples ejecuciones, lo que mejora la eficiencia de los proyectos de machine learning con herramientas intuitivas de data visualization y análisis.

Entrenamiento de YOLO26 con DVCLive#

Las sesiones de entrenamiento de YOLO26 pueden monitorizarse eficazmente con DVCLive. Además, DVC proporciona funciones integrales para visualizar estos experimentos, incluida la generación de un informe que permite comparar gráficos de métricas en todos los experimentos rastreados, ofreciendo una visión completa del proceso de entrenamiento.

Instalación#

Para instalar los paquetes necesarios, ejecuta:

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

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra YOLO26 Installation guide. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra Common Issues guide para encontrar soluciones y consejos.

Configuración de DVCLive#

Una vez que hayas instalado los paquetes necesarios, el siguiente paso es configurar tu entorno con las credenciales requeridas. Esta configuración garantiza una integración fluida de DVCLive en tu flujo de trabajo existente.

Empieza inicializando un repositorio Git, ya que Git desempeña un papel crucial en el control de versiones tanto para tu código como para las configuraciones de DVCLive.

# 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"

En estos comandos, asegúrate de reemplazar your-email con la dirección de correo electrónico asociada a tu cuenta de Git, y "Your Name" con el nombre de usuario de tu cuenta de Git.

Uso#

Antes de sumergirte en las instrucciones de uso, asegúrate de echar un vistazo a la gama de YOLO26 models offered by Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

Entrenamiento de modelos YOLO26 con DVCLive#

Empieza ejecutando tus sesiones de entrenamiento de YOLO26. Puedes usar diferentes configuraciones de modelo y parámetros de entrenamiento para adaptarlos a las necesidades de tu proyecto. Por ejemplo:

# 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

Ajusta los parámetros del modelo, los datos, las epochs y imgsz según tus requisitos específicos. Para obtener una comprensión detallada del proceso de entrenamiento del modelo y las mejores prácticas, consulta nuestra YOLO26 Model Training guide.

Monitorización de experimentos con DVCLive#

DVCLive mejora el proceso de entrenamiento al permitir el seguimiento y la visualización de métricas clave. Una vez instalado, Ultralytics YOLO26 se integra automáticamente con DVCLive para el seguimiento de experimentos, cuyos resultados podrás analizar posteriormente para obtener información sobre el rendimiento. Para comprender a fondo las métricas de rendimiento específicas utilizadas durante el entrenamiento, asegúrate de explorar our detailed guide on performance metrics.

Análisis de resultados#

Una vez finalizadas las sesiones de entrenamiento de YOLO26, puedes aprovechar las potentes herramientas de visualización de DVCLive para realizar un análisis profundo de los resultados. La integración de DVCLive garantiza que todas las métricas de entrenamiento se registren sistemáticamente, lo que facilita una evaluación exhaustiva del rendimiento de tu modelo.

Para iniciar el análisis, puedes extraer los datos del experimento utilizando la API de DVC y procesarlos con Pandas para facilitar su manejo y visualización:

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)

El resultado del fragmento de código anterior ofrece una vista tabular clara de los diferentes experimentos realizados con los modelos YOLO26. Cada fila representa una ejecución de entrenamiento diferente, detallando el nombre del experimento, el número de épocas, el tamaño de imagen (imgsz), el modelo específico utilizado y la métrica mAP50-95(B). Esta métrica es crucial para evaluar la accuracy del modelo, ya que los valores más altos indican un mejor rendimiento.

Visualización de resultados con Plotly#

Para un análisis de los resultados de tus experimentos más interactivo y visual, puedes usar el gráfico de coordenadas paralelas de Plotly. Este tipo de gráfico es especialmente útil para comprender las relaciones y las compensaciones entre diferentes parámetros y métricas.

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()

La salida del fragmento de código anterior genera un gráfico que representará visualmente las relaciones entre los epochs, el tamaño de la imagen, el tipo de modelo y sus correspondientes puntuaciones mAP50-95(B), lo que te permitirá detectar tendencias y patrones en los datos de tus experimentos.

Generación de visualizaciones comparativas con DVC#

DVC proporciona un comando útil para generar gráficos comparativos de tus experimentos. Esto puede ser especialmente útil para comparar el rendimiento de diferentes modelos a lo largo de varias ejecuciones de entrenamiento.

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

Después de ejecutar este comando, DVC genera gráficos que comparan las métricas entre diferentes experimentos, los cuales se guardan como archivos HTML. A continuación se muestra una imagen de ejemplo que ilustra los gráficos típicos generados por este proceso. La imagen muestra varios gráficos, incluidos aquellos que representan mAP, recall, precision, valores de pérdida y más, proporcionando una visión general visual de las métricas clave de rendimiento:

Visualización de gráficos DVC#

Si utilizas un Jupyter Notebook y deseas mostrar los gráficos DVC generados, puedes usar la funcionalidad de visualización de IPython.

from IPython.display import HTML

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

Este código renderizará el archivo HTML que contiene los gráficos DVC directamente en tu Jupyter Notebook, proporcionando una forma fácil y cómoda de analizar los datos de experimentos visualizados.

Tomar decisiones basadas en datos#

Utiliza los conocimientos obtenidos a partir de estas visualizaciones para tomar decisiones informadas sobre las optimizaciones del modelo, el hyperparameter tuning y otras modificaciones para mejorar el rendimiento de tu modelo.

Iteración de experimentos#

Basándote en tu análisis, itera sobre tus experimentos. Ajusta las configuraciones del modelo, los parámetros de entrenamiento o incluso las entradas de datos, y repite el proceso de entrenamiento y análisis. Este enfoque iterativo es clave para refinar tu modelo para obtener el mejor rendimiento posible.

Resumen#

Esta guía te ha llevado a través del proceso de integración de DVCLive con YOLO26 de Ultralytics. Has aprendido a aprovechar el poder de DVCLive para una monitorización detallada de los experimentos, una visualización efectiva y un análisis perspicaz en tus esfuerzos de machine learning.

Para obtener más detalles sobre el uso, visita DVCLive's official documentation.

Además, explora más integraciones y capacidades de Ultralytics visitando la Ultralytics integration guide page, que es una recopilación de excelentes recursos y conocimientos.

FAQ#