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 para perfeccionarlos y optimizarlos.

La integración de DVCLive con Ultralytics YOLO26 transforma la forma de hacer seguimiento de los experimentos y gestionarlos. Esta integración ofrece una solución sencilla para registrar automáticamente los datos clave de los experimentos, comparar los resultados de distintas ejecuciones y visualizar los datos para analizarlos en profundidad. En esta guía veremos cómo DVCLive puede agilizar el proceso.

DVCLive#

DVCLive, desarrollado por DVC, es una innovadora herramienta de código abierto para el seguimiento de experimentos de aprendizaje automático. Se integra a la perfección 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 ser sencillo, DVCLive permite comparar y analizar múltiples ejecuciones fácilmente, lo que mejora la eficiencia de los proyectos de aprendizaje automático mediante herramientas intuitivas de visualización de datos y análisis.

Entrenamiento de YOLO26 con DVCLive#

DVCLive permite supervisar eficazmente las sesiones de entrenamiento de YOLO26. Además, DVC ofrece 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 obtener 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 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, el siguiente paso es configurar el 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 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#

Antes de consultar las instrucciones de uso, echa un vistazo a la gama de modelos YOLO26 que ofrece Ultralytics. Así podrás 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 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=640

Ajusta 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 realizar un seguimiento de las métricas clave y visualizarlas. Una vez instalado, Ultralytics YOLO26 se integra automáticamente con DVCLive para realizar un seguimiento de los experimentos, que después puedes analizar para obtener información sobre el rendimiento. Para conocer en profundidad las métricas de rendimiento específicas que se utilizan durante el entrenamiento, consulta nuestra guía detallada sobre métricas de rendimiento.

Analizar los resultados#

Cuando termines 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 de forma sistemática, lo que facilita una evaluación completa del rendimiento de tu modelo.

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 incluye 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 fundamental para evaluar la precisión del modelo; cuanto más alto sea el 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 un gráfico que representa visualmente las relaciones entre las épocas, el tamaño de imagen, el tipo de modelo y sus puntuaciones mAP50-95(B) correspondientes, 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#

En esta guía has aprendido a integrar DVCLive con YOLO26 de Ultralytics. Has aprendido a aprovechar DVCLive para supervisar experimentos en detalle, visualizarlos eficazmente y analizar en profundidad tus proyectos de aprendizaje automático.

Para obtener más información sobre su uso, consulta la documentación oficial de DVCLive.

Además, descubre más integraciones y funciones de Ultralytics en la página de la guía de integraciones de Ultralytics, donde encontrarás una colección de recursos e información muy útiles.

Preguntas frecuentes#