Monitoraggio avanzato degli esperimenti YOLO26 con DVCLive#

Il monitoraggio degli esperimenti nell'apprendimento automatico è fondamentale per lo sviluppo e la valutazione dei modelli. Comprende la registrazione e l'analisi di vari parametri, metriche e risultati derivanti da numerose esecuzioni di addestramento. Questo processo è essenziale per comprendere le prestazioni del modello e prendere decisioni basate sui dati, così da perfezionare e ottimizzare i modelli.

L'integrazione di DVCLive con Ultralytics YOLO26 trasforma il modo in cui gli esperimenti vengono monitorati e gestiti. Questa integrazione offre una soluzione fluida per registrare automaticamente i dettagli principali degli esperimenti, confrontare i risultati tra diverse esecuzioni e visualizzare i dati per un'analisi approfondita. In questa guida vedrai come DVCLive può semplificare il processo.

DVCLive#

DVCLive, sviluppato da DVC, è uno strumento open source innovativo per il monitoraggio degli esperimenti nell'apprendimento automatico. Integrandosi perfettamente con Git e DVC, automatizza la registrazione di dati fondamentali degli esperimenti, come i parametri del modello e le metriche di addestramento. Progettato per essere semplice, DVCLive consente di confrontare e analizzare facilmente più esecuzioni, migliorando l'efficienza dei progetti di apprendimento automatico con strumenti intuitivi di visualizzazione dei dati e analisi.

Addestramento di YOLO26 con DVCLive#

Le sessioni di addestramento di YOLO26 possono essere monitorate efficacemente con DVCLive. Inoltre, DVC offre funzionalità integrate per visualizzare questi esperimenti, inclusa la generazione di un report che consente di confrontare i grafici delle metriche di tutti gli esperimenti monitorati, fornendo una panoramica completa del processo di addestramento.

Installazione#

Per installare i pacchetti richiesti, esegui:

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

Per istruzioni dettagliate e best practice relative al processo di installazione, consulta la nostra guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti richiesti per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione di DVCLive#

Dopo aver installato i pacchetti necessari, il passaggio successivo consiste nel configurare l'ambiente con le credenziali richieste. Questa configurazione garantisce una perfetta integrazione di DVCLive nel tuo flusso di lavoro esistente.

Inizia inizializzando un repository Git, poiché Git svolge un ruolo fondamentale nel controllo delle versioni sia del codice sia delle configurazioni di 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"

In questi comandi, assicurati di sostituire your-email con l'indirizzo email associato al tuo account Git e "Your Name" con il nome utente del tuo account Git.

Utilizzo#

Prima di passare alle istruzioni per l'utilizzo, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

Addestramento dei modelli YOLO26 con DVCLive#

Inizia eseguendo le sessioni di addestramento di YOLO26. Puoi usare configurazioni del modello e parametri di addestramento diversi in base alle esigenze del tuo progetto. Ad esempio:

# 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

Regola i parametri model, data, epochs e imgsz in base ai tuoi requisiti specifici. Per una comprensione dettagliata del processo di addestramento del modello e delle best practice, consulta la nostra guida all'addestramento dei modelli YOLO26.

Monitoraggio degli esperimenti con DVCLive#

DVCLive migliora il processo di addestramento consentendo di monitorare e visualizzare le metriche principali. Una volta installato, Ultralytics YOLO26 si integra automaticamente con DVCLive per il monitoraggio degli esperimenti, che potrai analizzare in seguito per ottenere informazioni sulle prestazioni. Per una comprensione completa delle metriche specifiche usate durante l'addestramento, consulta la nostra guida dettagliata sulle metriche delle prestazioni.

Analisi dei risultati#

Al termine delle sessioni di addestramento di YOLO26, puoi sfruttare i potenti strumenti di visualizzazione di DVCLive per analizzare a fondo i risultati. L'integrazione di DVCLive garantisce che tutte le metriche di addestramento vengano registrate sistematicamente, facilitando una valutazione completa delle prestazioni del tuo modello.

Per iniziare l'analisi, puoi estrarre i dati degli esperimenti usando l'API di DVC ed elaborarli con pandas per gestirli e visualizzarli più facilmente:

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)

L'output del frammento di codice precedente offre una chiara vista tabellare dei diversi esperimenti condotti con i modelli YOLO26. Ogni riga rappresenta un'esecuzione di addestramento diversa e specifica il nome dell'esperimento, il numero di epoche, la dimensione delle immagini (imgsz), il modello usato e la metrica mAP50-95(B). Questa metrica è fondamentale per valutare l'accuratezza del modello: valori più alti indicano prestazioni migliori.

Visualizzazione dei risultati con Plotly#

Per un'analisi più interattiva e visiva dei risultati degli esperimenti, puoi usare il grafico a coordinate parallele di Plotly. Questo tipo di grafico è particolarmente utile per comprendere le relazioni e i compromessi tra diversi parametri e metriche.

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()

L'output del frammento di codice precedente genera un grafico che rappresenta visivamente le relazioni tra epoche, dimensione delle immagini, tipo di modello e i relativi punteggi mAP50-95(B), consentendoti di individuare tendenze e schemi nei dati degli esperimenti.

Generazione di visualizzazioni comparative con DVC#

DVC offre un comando utile per generare grafici comparativi per i tuoi esperimenti. Può essere particolarmente utile per confrontare le prestazioni di modelli diversi in varie esecuzioni di addestramento.

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

Dopo aver eseguito questo comando, DVC genera grafici che confrontano le metriche tra diversi esperimenti e li salva come file HTML. Di seguito è riportata un'immagine di esempio che illustra i grafici tipicamente generati da questo processo. L'immagine mostra vari grafici, inclusi quelli relativi a mAP, recall, precision, valori della loss e altro ancora, fornendo una panoramica visiva delle metriche principali delle prestazioni:

Visualizzazione dei grafici DVC#

Se usi un Jupyter Notebook e vuoi visualizzare i grafici DVC generati, puoi usare la funzionalità di visualizzazione di IPython.

from IPython.display import HTML

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

Questo codice visualizza il file HTML contenente i grafici DVC direttamente nel tuo Jupyter Notebook, offrendo un modo semplice e pratico per analizzare i dati visualizzati degli esperimenti.

Prendere decisioni basate sui dati#

Usa le informazioni ricavate da queste visualizzazioni per prendere decisioni consapevoli sull'ottimizzazione dei modelli, sul tuning degli iperparametri e su altre modifiche volte a migliorare le prestazioni del tuo modello.

Iterazione sugli esperimenti#

In base alla tua analisi, ripeti gli esperimenti. Modifica le configurazioni del modello, i parametri di addestramento o persino i dati di input, quindi ripeti il processo di addestramento e analisi. Questo approccio iterativo è fondamentale per perfezionare il modello e ottenere le migliori prestazioni possibili.

Riepilogo#

Questa guida ti ha accompagnato nel processo di integrazione di DVCLive con YOLO26 di Ultralytics. Hai imparato a sfruttare DVCLive per un monitoraggio dettagliato degli esperimenti, una visualizzazione efficace e un'analisi approfondita nei tuoi progetti di apprendimento automatico.

Per ulteriori dettagli sull'utilizzo, consulta la documentazione ufficiale di DVCLive.

Inoltre, puoi scoprire altre integrazioni e funzionalità di Ultralytics visitando la pagina della guida alle integrazioni di Ultralytics, una raccolta di risorse e informazioni utili.

FAQ#