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 divers paramètres, métriques et résultats issus de nombreuses exécutions 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 la manière dont les expériences sont suivies et gérées. Cette intégration offre une solution fluide pour journaliser automatiquement les informations clés des expériences, comparer les résultats entre différentes exécutions et visualiser les données à des fins d'analyse approfondie. Dans ce guide, tu découvriras comment utiliser DVCLive pour simplifier ce processus.

DVCLive#

DVCLive, développé par DVC, est un outil open source innovant de suivi des expériences en apprentissage automatique. S'intégrant de manière fluide à Git et à DVC, il automatise la journalisation des données essentielles des expériences, comme les paramètres des modèles et les métriques d'entraînement. Conçu pour être simple, DVCLive permet de comparer et d'analyser facilement plusieurs exécutions, ce qui améliore l'efficacité des projets d'apprentissage automatique grâce à des outils intuitifs de visualisation des données et d'analyse.

Entraînement de YOLO26 avec DVCLive#

Les sessions d'entraînement YOLO26 peuvent être surveillées efficacement avec DVCLive. De plus, DVC fournit des fonctionnalités intégrées pour visualiser ces expériences, notamment la génération d'un rapport permettant de comparer les graphiques des métriques de toutes les expériences suivies et offrant une vue d'ensemble du processus d'entraînement.

Installation#

Pour installer les packages requis, exécute :

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

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées au processus d'installation, consulte notre guide d'installation de YOLO26. Si tu rencontres des difficultés lors de l'installation des packages requis pour YOLO26, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.

Configuration de DVCLive#

Une fois les packages nécessaires installés, l'étape suivante consiste à configurer ton environnement avec les identifiants requis. Cette configuration garantit une intégration fluide de DVCLive à ton workflow 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 DVCLive in your project
dvc init -q

# Commit the DVCLive 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, consulte la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

Entraînement de modèles YOLO26 avec DVCLive#

Commence par exécuter tes sessions d'entraînement YOLO26. Tu peux utiliser différentes configurations de modèles 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 epochs et de imgsz selon tes besoins spécifiques. Pour comprendre en détail le processus d'entraînement des modèles et les bonnes pratiques, consulte notre guide sur l'entraînement des modèles YOLO26.

Surveillance des expériences avec DVCLive#

DVCLive améliore le processus d'entraînement en permettant de suivre et de visualiser les 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 exploiter les puissants outils de visualisation de DVCLive pour analyser les résultats en profondeur. L'intégration de DVCLive garantit que toutes les métriques d'entraînement sont journalisées systématiquement, ce qui facilite une évaluation complète des performances de ton modèle.

Pour commencer l'analyse, tu peux extraire les données des expériences à l'aide de l'API de DVC et les traiter avec pandas afin de faciliter leur manipulation et leur 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)

La sortie de l'extrait de code ci-dessus fournit une vue tabulaire claire des différentes expériences menées avec des modèles YOLO26. Chaque ligne représente une exécution d'entraînement différente et détaille le nom de l'expérience, le nombre d'epochs, 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.

Visualisation des résultats avec Plotly#

Pour une analyse plus interactive et visuelle des résultats de tes expériences, 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

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

La sortie de l'extrait de code ci-dessus génère un graphique qui représente visuellement les relations entre les epochs, la taille des images, le type de modèle et leurs scores mAP50-95(B) correspondants, ce qui te permet de repérer les tendances et les motifs dans les données de tes expériences.

Génération de visualisations comparatives avec DVC#

DVC fournit une commande utile pour générer des graphiques comparatifs de tes expériences. Cela peut être particulièrement utile pour comparer les performances de différents modèles au fil de 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 comparant les métriques de différentes expériences et les enregistre sous forme de fichiers HTML. Tu trouveras ci-dessous un exemple illustrant les graphiques généralement générés par ce processus. L'image présente différents graphiques, notamment ceux représentant la mAP, le rappel, la précision, les valeurs de perte, et bien plus encore, offrant une vue d'ensemble visuelle des principales métriques de performance :

Affichage des 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

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

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

Prise de décisions fondées sur les données#

Utilise les informations tirées de ces visualisations pour prendre des décisions éclairées concernant l'optimisation des modèles, l'ajustement des hyperparamètres et d'autres modifications visant à améliorer les performances de ton modèle.

Itération sur les expériences#

Sur la base de ton analyse, itère sur tes expériences. Ajuste les configurations du modèle, les paramètres d'entraînement ou même les entrées de données, puis répète le processus d'entraînement et d'analyse. Cette approche itérative est essentielle pour affiner ton modèle afin d'obtenir les meilleures performances possibles.

Résumé#

Ce guide t'a accompagné dans le processus d'intégration de DVCLive à YOLO26 d'Ultralytics. Tu as appris à exploiter la puissance de DVCLive pour surveiller en détail les expériences, visualiser efficacement les données et réaliser des analyses pertinentes dans le cadre de tes projets d'apprentissage automatique.

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

Tu peux également découvrir d'autres intégrations et fonctionnalités d'Ultralytics en consultant la page du guide des intégrations Ultralytics, qui rassemble de nombreuses ressources et informations utiles.

FAQ#