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 comprender el rendimiento de los modelos y tomar decisiones basadas en datos que permitan perfeccionarlos y optimizarlos.

La integración de DVCLive con Ultralytics YOLO26 transforma la forma de realizar y gestionar el seguimiento de experimentos. Esta integración ofrece una solución fluida para registrar automáticamente los detalles clave de los experimentos, comparar resultados entre distintas ejecuciones y visualizar datos para realizar análisis exhaustivos. En esta guía, veremos cómo puedes usar DVCLive para agilizar el proceso.

DVCLive#

DVCLive, desarrollado por DVC, es una innovadora herramienta de código abierto para el seguimiento de experimentos en aprendizaje automático. Se integra fácilmente con Git y DVC y automatiza el registro de datos esenciales de los experimentos, como los parámetros del modelo y las métricas de entrenamiento. Diseñado para ofrecer sencillez, DVCLive permite comparar y analizar sin esfuerzo múltiples ejecuciones, mejorando la eficiencia de los proyectos de aprendizaje automático mediante herramientas intuitivas de visualización de datos y análisis.

Entrenamiento de YOLO26 con DVCLive#

Las sesiones de entrenamiento de YOLO26 se pueden supervisar eficazmente con DVCLive. Además, DVC proporciona funciones integradas para visualizar estos experimentos, incluida la generación de un informe que permite comparar los gráficos de métricas de todos los experimentos registrados y ofrece 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 consultar instrucciones detalladas y prácticas recomendadas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de YOLO26. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Configuración de DVCLive#

Una vez instalados 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 actual.

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 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 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#

Antes de consultar las instrucciones de uso, no olvides revisar la variedad de modelos YOLO26 que ofrece 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 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=640

Ajusta los parámetros del modelo, los datos, epochs e imgsz según tus requisitos específicos. Para comprender en detalle 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 realizar el seguimiento y la visualización de métricas clave. Una vez instalado, Ultralytics YOLO26 se integra automáticamente con DVCLive para realizar el seguimiento de experimentos, que después puedes analizar para obtener información sobre el rendimiento. Para comprender en profundidad las métricas de rendimiento específicas utilizadas durante el entrenamiento, consulta nuestra guía detallada sobre métricas de rendimiento.

Análisis de resultados#

Cuando hayas completado tus sesiones de entrenamiento de YOLO26, puedes aprovechar las potentes herramientas de visualización de DVCLive para analizar los resultados en profundidad. La integración de DVCLive garantiza que todas las métricas de entrenamiento se registren sistemáticamente, lo que facilita una evaluación completa del rendimiento de tu modelo.

Para comenzar el análisis, puedes extraer los datos de los experimentos mediante la API de DVC y procesarlos con pandas para gestionarlos y visualizarlos más fácilmente:

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 proporciona una vista tabular clara de los distintos experimentos realizados con modelos YOLO26. Cada fila representa una ejecución de entrenamiento diferente e incluye el nombre del experimento, el número de epochs, el tamaño de imagen (imgsz), el modelo específico utilizado y la métrica mAP50-95(B). Esta métrica es fundamental para evaluar la precisión del modelo; los valores más altos indican un mejor rendimiento.

Visualización de resultados con Plotly#

Para realizar un análisis más interactivo y visual de los resultados de tus experimentos, puedes usar el gráfico de coordenadas paralelas de Plotly. Este tipo de gráfico resulta especialmente útil para comprender las relaciones y compensaciones entre distintos 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()

El resultado del fragmento de código anterior genera un gráfico que representa visualmente las relaciones entre epochs, 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.

Generación de visualizaciones comparativas con DVC#

DVC proporciona un comando útil para generar gráficos comparativos de tus experimentos. Esto 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)

Después de ejecutar este comando, DVC genera gráficos que comparan las métricas entre 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, entre ellos los que representan mAP, recall, precision, valores de pérdida y otros, y ofrece una visión visual de las métricas de rendimiento clave:

Visualización de gráficos de DVC#

Si usas un Jupyter Notebook y quieres mostrar los gráficos de DVC generados, puedes utilizar 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 representa el archivo HTML que contiene los gráficos de DVC directamente en tu Jupyter Notebook, lo que proporciona una forma sencilla y cómoda de analizar los datos visualizados de los experimentos.

Toma de decisiones basadas en datos#

Usa la información obtenida de estas visualizaciones para tomar decisiones fundamentadas sobre la optimización de modelos, el ajuste de hiperparámetros y otras modificaciones que mejoren 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 perfeccionar tu modelo y obtener el mejor rendimiento posible.

Resumen#

Esta guía te ha mostrado el proceso de integración de DVCLive con YOLO26 de Ultralytics. Has aprendido a aprovechar las posibilidades de DVCLive para supervisar experimentos detalladamente, realizar visualizaciones eficaces y analizar los resultados de forma útil en tus proyectos de aprendizaje automático.

Para obtener más información sobre el uso, visita la documentación oficial de DVCLive.

Además, descubre más integraciones y funcionalidades de Ultralytics visitando la página de la guía de integraciones de Ultralytics, que reúne excelentes recursos e información útil.

Preguntas frecuentes#