Passer au contenu

Suivi avancé des expériences YOLO11 avec DVCLive

Le suivi des expériences en apprentissage automatique est essentiel au développement et à l'évaluation des modèles. Il implique l'enregistrement et l'analyse de divers paramètres, mesures et résultats de nombreuses exécutions d'entraînement. Ce processus est essentiel pour comprendre les performances du modèle et prendre des décisions fondées sur des données afin d'affiner et d'optimiser les modèles.

L'intégration de DVCLive avec Ultralytics YOLO11 transforme la façon dont les expériences sont suivies et gérées. Cette intégration offre une solution transparente pour l'enregistrement automatique des détails clés de l'expérience, la comparaison des résultats entre différentes exécutions et la visualisation des données pour une analyse approfondie. Dans ce guide, nous allons comprendre comment DVCLive peut être utilisé pour rationaliser le processus.

DVCLive

Aperçu de DVCLive

DVCLive, développé par DVC, est un outil open source innovant pour le suivi des expériences en apprentissage automatique. S'intégrant de manière transparente à Git et DVC, il automatise l'enregistrement des données d'expérience cruciales telles que les paramètres du modèle et les métriques d'entraînement. Conçu pour la simplicité, DVCLive permet une comparaison et une analyse sans effort de plusieurs exécutions, améliorant ainsi l'efficacité des projets d'apprentissage automatique grâce à des outils intuitifs de visualisation des données et d'analyse.

Formation YOLO11 avec DVCLive

Les sessions de formation YOLO11 peuvent être surveillées efficacement avec DVCLive. De plus, DVC fournit des fonctionnalités intégrales pour la visualisation de ces expériences, y compris la génération d'un rapport qui permet la comparaison des tracés de métriques à travers toutes les expériences suivies, offrant une vue complète du processus de formation.

Installation

Pour installer les packages requis, exécutez :

Installation

# Install the required packages for YOLO11 and DVCLive
pip install ultralytics dvclive

Pour obtenir des instructions détaillées et les meilleures pratiques relatives au processus d'installation, consultez notre guide d'installation de YOLO11. Lors de l'installation des packages requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.

Configuration de DVCLive

Une fois que vous avez installé les packages nécessaires, l'étape suivante consiste à configurer votre environnement avec les informations d'identification nécessaires. Cette configuration garantit une intégration fluide de DVCLive dans votre flux de travail existant.

Commencez par initialiser un dépôt Git, car Git joue un rôle crucial dans le contrôle de version de votre code et des configurations DVCLive.

Configuration initiale de l'environnement

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "you@example.com"
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"

Dans ces commandes, assurez-vous de remplacer "you@example.com" par l'adresse e-mail associée à votre compte Git, et "Your Name" par votre nom d'utilisateur de compte Git.

Utilisation

Avant de plonger dans les instructions d'utilisation, assurez-vous de consulter la gamme de modèles YOLO11 proposés par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié pour les exigences de votre projet.

Entraînement des modèles YOLO11 avec DVCLive

Commencez par exécuter vos sessions d'entraînement YOLO11. Vous pouvez utiliser différentes configurations de modèle et paramètres d'entraînement pour répondre aux besoins de votre projet. Par exemple :

# Example training commands for YOLO11 with varying configurations
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=640

Ajustez le modèle, les données, les époques et les paramètres imgsz en fonction de vos besoins spécifiques. Pour une compréhension détaillée du processus de formation du modèle et des meilleures pratiques, consultez notre guide de formation du modèle YOLO11.

Surveillance des expériences avec DVCLive

DVCLive améliore le processus d'entraînement en permettant le suivi et la visualisation des indicateurs clés. Une fois installé, Ultralytics YOLO11 s'intègre automatiquement à DVCLive pour le suivi des expériences, que vous pouvez ensuite analyser pour obtenir des informations sur les performances. Pour une compréhension complète des indicateurs de performance spécifiques utilisés pendant l'entraînement, assurez-vous de consulter notre guide détaillé sur les indicateurs de performance.

Analyse des résultats

Une fois vos sessions de formation YOLO11 terminées, vous pouvez exploiter les puissants outils de visualisation de DVCLive pour une analyse approfondie des résultats. L'intégration de DVCLive garantit que toutes les métriques de formation sont systématiquement enregistrées, facilitant ainsi une évaluation complète des performances de votre modèle.

Pour démarrer l'analyse, vous pouvez extraire les données d'expérience à l'aide de l'API de DVC et les traiter avec Pandas pour faciliter la manipulation et la visualisation :

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)

Le résultat de l'extrait de code ci-dessus fournit une vue tabulaire claire des différentes expériences menées avec les modèles YOLO11. Chaque ligne représente une exécution d'entraînement différente, détaillant le nom de l'expérience, le nombre d'epochs, la taille de l'image (imgsz), le modèle spécifique utilisé et la métrique mAP50-95(B). Cette métrique est cruciale pour évaluer la précision du modèle, des valeurs plus élevées indiquant de meilleures performances.

Visualisation des résultats avec Plotly

Pour une analyse plus interactive et visuelle des résultats de votre expérience, vous pouvez utiliser le diagramme de coordonnées parallèles de Plotly. Ce type de diagramme est particulièrement utile pour comprendre les relations et les compromis entre différents paramètres et métriques.

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()

Le résultat de l'extrait de code ci-dessus génère un graphique qui représente visuellement les relations entre les epochs, la taille de l'image, le type de modèle et leurs scores mAP50-95(B) correspondants, vous permettant de repérer les tendances et les modèles dans vos données d'expérience.

Générer des visualisations comparatives avec DVC

DVC fournit une commande utile pour générer des graphiques comparatifs pour vos expériences. Cela peut être particulièrement utile pour comparer les performances de différents modèles sur plusieurs séries d'entraînement.

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

Après avoir exécuté cette commande, DVC génère des graphiques comparant les métriques entre différentes expériences, qui sont enregistrés sous forme de fichiers HTML. Vous trouverez ci-dessous un exemple d'image illustrant les graphiques typiques générés par ce processus. L'image présente divers graphiques, y compris ceux représentant mAP, rappel, précision, les valeurs de perte, et plus encore, fournissant un aperçu visuel des principales métriques de performance :

Graphiques DVCLive

Affichage des tracés DVC

Si vous utilisez un Jupyter Notebook et que vous souhaitez afficher les graphiques DVC générés, vous pouvez utiliser la fonctionnalité d'affichage IPython.

from IPython.display import HTML

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

Ce code affichera le fichier HTML contenant les graphiques DVC directement dans votre Jupyter Notebook, offrant ainsi un moyen simple et pratique d'analyser les données d'expérimentation visualisées.

Prendre des décisions fondées sur les données

Utilisez les informations tirées de ces visualisations pour prendre des décisions éclairées concernant les optimisations du modèle, le réglage des hyperparamètres et d'autres modifications afin d'améliorer les performances de votre modèle.

Itérer sur les expériences

Sur la base de votre analyse, itérez sur vos expériences. Ajustez les configurations du modèle, les paramètres d'entraînement, ou même les entrées de données, et répétez le processus d'entraînement et d'analyse. Cette approche itérative est essentielle pour affiner votre modèle afin d'obtenir les meilleures performances possibles.

Résumé

Ce guide vous a fait découvrir le processus d'intégration de DVCLive avec YOLO11 d'Ultralytics. Vous avez appris à exploiter la puissance de DVCLive pour une surveillance détaillée des expériences, une visualisation efficace et une analyse perspicace dans vos efforts d'apprentissage automatique.

Pour plus de détails sur l'utilisation, consultez la documentation officielle de DVCLive.

De plus, explorez davantage d'intégrations et de capacités d'Ultralytics en consultant la page du guide d'intégration Ultralytics, qui est une collection d'excellentes ressources et d'informations.

FAQ

Comment intégrer DVCLive à Ultralytics YOLO11 pour le suivi des expériences ?

L'intégration de DVCLive avec Ultralytics YOLO11 est simple. Commencez par installer les packages nécessaires :

Installation

pip install ultralytics dvclive

Ensuite, initialisez un dépôt Git et configurez DVCLive dans votre projet :

Configuration initiale de l'environnement

git init -q
git config --local user.email "you@example.com"
git config --local user.name "Your Name"
dvc init -q
git commit -m "DVC init"

Suivez notre guide d'installation de YOLO11 pour des instructions de configuration détaillées.

Pourquoi devrais-je utiliser DVCLive pour suivre les expériences YOLO11 ?

L'utilisation de DVCLive avec YOLO11 offre plusieurs avantages, tels que :

  • Journalisation automatisée : DVCLive enregistre automatiquement les détails clés de l'expérience, tels que les paramètres et les métriques du modèle.
  • Comparaison facile : Facilite la comparaison des résultats entre différentes exécutions.
  • Outils de visualisation : Exploite les solides capacités de visualisation des données de DVCLive pour une analyse approfondie.

Pour plus de détails, consultez notre guide sur l'entraînement du modèle YOLO11 et les métriques de performance de YOLO afin d'optimiser l'efficacité du suivi de vos expériences.

Comment DVCLive peut-il améliorer mon analyse des résultats pour les sessions de formation YOLO11 ?

Après avoir terminé vos sessions de formation YOLO11, DVCLive vous aide à visualiser et à analyser efficacement les résultats. Exemple de code pour charger et afficher les données d'expérience :

import dvc.api
import pandas as pd

# Define 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 data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display DataFrame
print(df)

Pour visualiser les résultats de manière interactive, utilisez le tracé des coordonnées parallèles de Plotly :

from plotly.express import parallel_coordinates

fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
fig.show()

Consultez notre guide sur l'entraînement YOLO11 avec DVCLive pour plus d'exemples et de bonnes pratiques.

Quelles sont les étapes pour configurer mon environnement pour l’intégration de DVCLive et YOLO11 ?

Pour configurer votre environnement pour une intégration fluide de DVCLive et YOLO11, suivez ces étapes :

  1. Installer les paquets requis: Utilisez pip install ultralytics dvclive.
  2. Initialiser le dépôt Git: Exécuter git init -q.
  3. Configuration de DVCLive: Exécuter dvc init -q.
  4. Commit vers Git: Utilisez git commit -m "DVC init".

Ces étapes garantissent un contrôle de version et une configuration appropriés pour le suivi des expériences. Pour des détails de configuration approfondis, consultez notre guide de configuration.

Comment visualiser les résultats des expériences YOLO11 en utilisant DVCLive ?

DVCLive offre des outils puissants pour visualiser les résultats des expériences YOLO11. Voici comment vous pouvez générer des graphiques comparatifs :

Générer des graphiques comparatifs

dvc plots diff $(dvc exp list --names-only)

Pour afficher ces graphiques dans un Jupyter Notebook, utilisez :

from IPython.display import HTML

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

Ces visualisations aident à identifier les tendances et à optimiser les performances du modèle. Consultez nos guides détaillés sur l'Analyse des Expériences YOLO11 pour des étapes et des exemples complets.



📅C réé il y a 1 an ✏️ Mis à jour il y a 11 mois

Commentaires