Suivi avancé des expériences YOLO26 avec DVCLive#

Le suivi des expériences en apprentissage automatique est essentiel au développement et à l’évaluation des modèles. Il consiste à enregistrer et à analyser différents paramètres, indicateurs et résultats issus de nombreux cycles d’entraînement. Ce processus est indispensable pour comprendre les performances des modèles et prendre des décisions fondées sur les données afin de les affiner et de les optimiser.

L’intégration de DVCLive à Ultralytics YOLO26 transforme le suivi et la gestion des expériences. Cette intégration offre une solution fluide pour consigner automatiquement les principaux détails des expériences, comparer les résultats de différents cycles et visualiser les données pour les analyser en profondeur. Dans ce guide, nous verrons comment DVCLive peut simplifier le processus.

DVCLive#

DVCLive, développé par DVC, est un outil open source innovant de suivi des expériences en apprentissage automatique. S’intégrant parfaitement à Git et à DVC, il automatise la consignation des données essentielles des expériences, comme les paramètres des modèles et les métriques d’entraînement. Conçu pour être simple, DVCLive facilite la comparaison et l’analyse de plusieurs cycles, améliorant l’efficacité des projets d’apprentissage automatique grâce à des outils intuitifs de visualisation des données et d’analyse.

Entraîner YOLO26 avec DVCLive#

Les sessions d’entraînement YOLO26 peuvent être suivies efficacement avec DVCLive. DVC fournit également des fonctionnalités essentielles pour visualiser ces expériences, notamment la génération d’un rapport qui permet de comparer les graphiques des métriques de toutes les expériences suivies et d’obtenir une vue d’ensemble du processus d’entraînement.

Installation#

Pour installer les paquets requis, exécute :

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

Pour obtenir des instructions détaillées et des bonnes pratiques concernant l’installation, consulte notre guide d’installation de YOLO26. Si tu rencontres des difficultés lors de l’installation des paquets requis pour YOLO26, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.

Configurer DVCLive#

Après avoir installé les paquets nécessaires, l’étape suivante consiste à configurer ton environnement avec les identifiants requis. Cette configuration assure une intégration fluide de DVCLive dans ton flux de travail existant.

Commence par initialiser un dépôt Git, car Git joue un rôle essentiel dans le contrôle de version de ton code et de tes configurations 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"

Dans ces commandes, veille à remplacer your-email par l’adresse e-mail associée à ton compte Git et « Your Name » par le nom d’utilisateur de ton compte Git.

Utilisation#

Avant de passer aux instructions d’utilisation, pense à découvrir la gamme de modèles YOLO26 proposés par Ultralytics. Cela t’aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

Entraîner des modèles YOLO26 avec DVCLive#

Commence par lancer tes sessions d’entraînement YOLO26. Tu peux utiliser différentes configurations de modèle et différents paramètres d’entraînement selon les besoins de ton projet. Par exemple :

# 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

Ajuste les paramètres du modèle, des données, des époques et de imgsz selon tes besoins. Pour comprendre en détail le processus d’entraînement des modèles et découvrir les bonnes pratiques, consulte notre guide d’entraînement des modèles YOLO26.

Suivre les expériences avec DVCLive#

DVCLive améliore le processus d’entraînement en permettant le suivi et la visualisation des métriques clés. Une fois installé, Ultralytics YOLO26 s’intègre automatiquement à DVCLive pour le suivi des expériences, que tu peux ensuite analyser afin d’obtenir des informations sur les performances. Pour bien comprendre les métriques de performance spécifiques utilisées pendant l’entraînement, consulte notre guide détaillé sur les métriques de performance.

Analyse des résultats#

Une fois tes sessions d’entraînement YOLO26 terminées, tu peux tirer parti des puissants outils de visualisation de DVCLive pour analyser les résultats en profondeur. L’intégration de DVCLive garantit l’enregistrement systématique de toutes les métriques d’entraînement, ce qui facilite une évaluation complète des performances de ton modèle.

Pour commencer l’analyse, tu peux extraire les données de l’expérience à l’aide de l’API de DVC et les traiter avec Pandas afin de les manipuler et de les visualiser plus facilement :

import dvc.api
import pandas as pd

# Définir les colonnes à examiner
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Récupérer les données de l’expérience
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Nettoyer les données
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Afficher le DataFrame
print(df)

Le résultat de l’extrait de code ci-dessus présente clairement sous forme de tableau les différentes expériences réalisées avec les modèles YOLO26. Chaque ligne correspond à une exécution d’entraînement différente et indique le nom de l’expérience, le nombre d’époques, la taille des images (imgsz), le modèle utilisé et la métrique mAP50-95(B). Cette métrique est essentielle pour évaluer l’exactitude du modèle : des valeurs plus élevées indiquent de meilleures performances.

Visualiser les résultats avec Plotly#

Pour analyser tes résultats d’expérience de manière plus visuelle et interactive, tu peux utiliser le graphique de coordonnées parallèles de Plotly. Ce type de graphique est particulièrement utile pour comprendre les relations et les compromis entre différents paramètres et métriques.

from plotly.express import parallel_coordinates

# Créer un graphique de coordonnées parallèles
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Afficher le graphique
fig.show()

L’extrait de code ci-dessus génère un graphique qui représente visuellement les relations entre les époques, la taille des images, le type de modèle et les scores mAP50-95(B) correspondants, afin de t’aider à repérer les tendances et les motifs dans les données de ton expérience.

Générer des visualisations comparatives avec DVC#

DVC propose une commande pratique pour générer des graphiques comparatifs de tes expériences. Elle peut notamment t’aider à comparer les performances de différents modèles sur plusieurs exécutions d’entraînement.

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

Après l’exécution de cette commande, DVC génère des graphiques qui comparent les métriques entre différentes expériences et les enregistre sous forme de fichiers HTML. Tu trouveras ci-dessous une image d’exemple illustrant les graphiques typiquement générés par ce processus. Elle présente plusieurs graphiques, notamment ceux représentant la mAP, le rappel, la précision, les valeurs de perte et bien plus encore, offrant un aperçu visuel des principales métriques de performance :

Afficher les graphiques DVC#

Si tu utilises un Jupyter Notebook et que tu souhaites afficher les graphiques DVC générés, tu peux utiliser la fonctionnalité d’affichage d’IPython.

from IPython.display import HTML

# Afficher les graphiques DVC au format HTML
HTML(filename="./dvc_plots/index.html")

Ce code affiche directement dans ton Jupyter Notebook le fichier HTML contenant les graphiques DVC, ce qui te permet d’analyser facilement et en toute simplicité les données d’expérience visualisées.

Prendre des décisions fondées sur les données#

Utilise les informations tirées de ces visualisations pour prendre des décisions éclairées concernant l’optimisation du modèle, le réglage des hyperparamètres et d’autres modifications susceptibles d’améliorer les performances de ton modèle.

Itérer sur les expériences#

À partir de ton analyse, fais évoluer tes expériences. Ajuste les configurations du modèle, les paramètres d’entraînement ou même les données d’entrée, puis répète le processus d’entraînement et d’analyse. Cette approche itérative est essentielle pour affiner ton modèle et obtenir les meilleures performances possibles.

Résumé#

Ce guide t’a présenté le processus d’intégration de DVCLive à YOLO26 d’Ultralytics. Tu as appris à exploiter DVCLive pour suivre tes expériences en détail, les visualiser efficacement et en tirer des analyses pertinentes dans le cadre de tes projets d’apprentissage automatique.

Pour en savoir plus sur son utilisation, consulte la documentation officielle de DVCLive.

Découvre également d’autres intégrations et fonctionnalités d’Ultralytics sur la page du guide des intégrations Ultralytics, qui rassemble d’excellentes ressources et des informations utiles.

FAQ#