Seguimiento avanzado de experimentos de YOLO26 con DVCLive
El seguimiento de experimentos en aprendizaje automático es fundamental para desarrollar y evaluar modelos. Consiste en registrar y analizar diversos parámetros, métricas y resultados de numerosas ejecuciones de entrenamiento. Este proceso es esencial para entender el rendimiento de los modelos y tomar decisiones basadas en datos que permitan perfeccionarlos y optimizarlos.
La integración de DVCLive con Ultralytics YOLO26 registra automáticamente detalles clave de los experimentos, compara resultados entre ejecuciones y visualiza datos para analizarlos en profundidad. Esta guía muestra cómo configurar y utilizar la integración.
DVCLive#
DVCLive, desarrollado por DVC, es una herramienta de código abierto para el seguimiento de experimentos de aprendizaje automático. Funciona con Git y DVC para automatizar el registro de datos de experimentos, como los parámetros del modelo y las métricas de entrenamiento, y facilita la comparación y el análisis de varias ejecuciones mediante herramientas de visualización de datos y análisis.
Entrenamiento de YOLO26 con DVCLive#
Puedes supervisar las sesiones de entrenamiento de YOLO26 con DVCLive. DVC también ofrece herramientas para visualizar estos experimentos, como un informe que compara los gráficos de métricas de todos los experimentos registrados.
Instalación#
Para instalar los paquetes necesarios, ejecuta:
# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclivePara obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación, consulta la guía de instalación de YOLO26. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta la guía de problemas frecuentes, donde encontrarás soluciones y consejos.
Configuración de DVCLive#
Una vez instalados los paquetes necesarios, configura el entorno del proyecto para que DVCLive registre los experimentos junto con tu código.
Empieza inicializando un repositorio de Git, ya que Git desempeña un papel fundamental en el control de versiones tanto de tu código como de 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 DVC in your project
dvc init -q
# Commit the DVC setup to your Git repository
git commit -m "DVC init"En estos comandos, asegúrate de sustituir your-email por la dirección de correo electrónico asociada a tu cuenta de Git, y «Your Name» por el nombre de usuario de tu cuenta de Git.
Uso#
Entrenamiento de modelos YOLO26 con DVCLive#
Empieza ejecutando tus sesiones de entrenamiento de YOLO26. Puedes utilizar distintas configuraciones del modelo y parámetros de entrenamiento según 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=640Ajusta los parámetros model, data, epochs e imgsz según tus necesidades específicas. Para obtener información detallada sobre el proceso de entrenamiento del modelo y las prácticas recomendadas, consulta nuestra guía de entrenamiento de modelos YOLO26.
Supervisión de experimentos con DVCLive#
DVCLive mejora el proceso de entrenamiento al permitir el seguimiento y la visualización de métricas clave. Una vez instalado DVCLive, su callback se activa de forma predeterminada. Registra los argumentos de entrenamiento, las pérdidas por época, las métricas de validación y las tasas de aprendizaje, los gráficos de entrenamiento y validación, una matriz de confusión y best.pt como artefacto del modelo. Ejecuta yolo settings dvc=False para desactivar la integración. Para comprender a fondo las métricas de rendimiento específicas utilizadas durante el entrenamiento, consulta nuestra guía detallada sobre métricas de rendimiento.
Analizar los resultados#
Cuando terminen las sesiones de entrenamiento de YOLO26, puedes analizar los resultados con las herramientas de visualización de DVCLive. Como la integración registra todas las métricas de entrenamiento, puedes evaluar el rendimiento de tu modelo en distintas ejecuciones.
Para empezar el análisis, puedes extraer los datos del experimento mediante la API de DVC y procesarlos con Pandas para manejarlos y visualizarlos más fácilmente:
import dvc.api
import pandas as pd
# Define las columnas que te interesan
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]
# Recupera los datos del experimento
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)
# Limpia los datos
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)
# Muestra el DataFrame
print(df)El resultado del fragmento de código anterior ofrece una vista tabular clara de los distintos experimentos realizados con modelos YOLO26. Cada fila representa una ejecución de entrenamiento distinta e indica el nombre del experimento, el número de épocas, el tamaño de imagen (imgsz), el modelo concreto utilizado y la métrica mAP50-95(B). Esta métrica es fundamental para evaluar la precisión del modelo; cuanto mayor sea su valor, mejor será el rendimiento.
Visualizar los resultados con Plotly#
Para analizar los resultados de tus experimentos de forma más visual e interactiva, puedes utilizar el gráfico de coordenadas paralelas de Plotly. Este tipo de gráfico resulta especialmente útil para comprender las relaciones y las compensaciones entre distintos parámetros y métricas.
from plotly.express import parallel_coordinates
# Crea un gráfico de coordenadas paralelas
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
# Muestra el gráfico
fig.show()El resultado del fragmento de código anterior genera una gráfica que representa visualmente las relaciones entre las épocas, el tamaño de imagen, el tipo de modelo y sus correspondientes puntuaciones mAP50-95(B), lo que te permite detectar tendencias y patrones en los datos de tus experimentos.
Generar visualizaciones comparativas con DVC#
DVC ofrece un comando útil para generar gráficos comparativos de tus experimentos. Puede resultar especialmente útil para comparar el rendimiento de distintos modelos en varias ejecuciones de entrenamiento.
# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)Al ejecutar este comando, DVC genera gráficos que comparan las métricas de distintos experimentos y los guarda como archivos HTML. A continuación, se muestra una imagen de ejemplo con los gráficos habituales que genera este proceso. La imagen incluye varios gráficos, como los que representan mAP, exhaustividad, precisión, los valores de pérdida y otros datos, que ofrecen una visión general de las métricas clave de rendimiento:
Mostrar los gráficos de DVC#
Si utilizas un Jupyter Notebook y quieres mostrar los gráficos de DVC generados, puedes utilizar la funcionalidad de visualización de IPython.
from IPython.display import HTML
# Muestra los gráficos de DVC como HTML
HTML(filename="./dvc_plots/index.html")Este código renderiza directamente en tu Jupyter Notebook el archivo HTML que contiene los gráficos de DVC, lo que te ofrece una forma fácil y cómoda de analizar los datos visualizados del experimento.
Tomar decisiones basadas en datos#
Utiliza la información obtenida de estas visualizaciones para tomar decisiones fundamentadas sobre la optimización del modelo, el ajuste de hiperparámetros y otras modificaciones que mejoren el rendimiento de tu modelo.
Iterar sobre los experimentos#
A partir de tu análisis, repite los experimentos. Ajusta las configuraciones del modelo, los parámetros de entrenamiento o incluso los datos de entrada, y vuelve a realizar el proceso de entrenamiento y análisis. Este enfoque iterativo es clave para perfeccionar tu modelo y lograr el mejor rendimiento posible.
Resumen#
Esta guía te ha explicado cómo integrar DVCLive con Ultralytics YOLO26, desde la configuración hasta la supervisión, visualización y análisis de experimentos.
Para obtener más información sobre su uso, consulta la documentación oficial de DVCLive.
Preguntas frecuentes#
Integrar DVCLive con Ultralytics YOLO26 es sencillo. Empieza por instalar los paquetes necesarios:
Instalaciónpip install ultralytics dvcliveA continuación, inicializa un repositorio de Git y configura DVCLive en tu proyecto:
Configuración inicial del entornogit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"Sigue nuestra guía de instalación de YOLO26 para obtener instrucciones detalladas de configuración.
Utilizar DVCLive con YOLO26 ofrece varias ventajas, como:
- Registro automático: DVCLive registra automáticamente los detalles clave del experimento, como los parámetros y las métricas del modelo.
- Comparación sencilla: Facilita la comparación de los resultados de distintas ejecuciones.
- Herramientas de visualización: Utiliza las capacidades de visualización de datos de DVCLive para realizar análisis en profundidad.
Para obtener más información, consulta nuestras guías sobre entrenamiento de modelos YOLO26 y métricas de rendimiento de YOLO para optimizar la eficacia del seguimiento de tus experimentos.
Cuando termines tus sesiones de entrenamiento de YOLO26, DVCLive te ayudará a visualizar y analizar los resultados de forma eficaz. Ejemplo de código para cargar y mostrar los datos del experimento:
import dvc.api import pandas as pd # Define las columnas que te interesan columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"] # Recupera los datos del experimento df = pd.DataFrame(dvc.api.exp_show(), columns=columns) # Limpia los datos df.dropna(inplace=True) df.reset_index(drop=True, inplace=True) # Muestra el DataFrame print(df)Para visualizar los resultados de forma interactiva, utiliza el gráfico de coordenadas paralelas de Plotly:
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()Consulta nuestra guía sobre entrenamiento de YOLO26 con DVCLive para ver más ejemplos y buenas prácticas.
Para configurar tu entorno e integrar DVCLive con YOLO26 sin problemas, sigue estos pasos:
- Instala los paquetes necesarios: Utiliza
pip install ultralytics dvclive. - Inicializa el repositorio de Git: Ejecuta
git init -q. - Inicializa DVC: Ejecuta
dvc init -q. - Confirma los cambios en Git: Utiliza
git commit -m "DVC init".
Estos pasos garantizan un control de versiones y una configuración adecuados para el seguimiento de experimentos.
- Instala los paquetes necesarios: Utiliza
DVCLive ofrece herramientas para visualizar los resultados de los experimentos con YOLO26. A continuación, te explicamos cómo generar gráficos comparativos:
Generar gráficos comparativosdvc plots diff $(dvc exp list --names-only)Para mostrar estos gráficos en un Jupyter Notebook, utiliza:
from IPython.display import HTML # Muestra los gráficos como HTML HTML(filename="./dvc_plots/index.html")Estas visualizaciones ayudan a identificar tendencias y optimizar el rendimiento de los modelos.
Comentarios5
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
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.