Tracciamento avanzato degli esperimenti YOLO26 con DVCLive#

Il tracciamento degli esperimenti nel machine learning è fondamentale per lo sviluppo e la valutazione dei modelli. Consiste nel registrare e analizzare vari parametri, metriche e risultati di numerose esecuzioni di addestramento. Questo processo è essenziale per comprendere le prestazioni del modello e prendere decisioni basate sui dati per perfezionare e ottimizzare i modelli.

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

DVCLive#

DVCLive, sviluppato da DVC, è un innovativo strumento open source per il tracciamento degli esperimenti nel machine learning. Si integra perfettamente con Git e DVC e automatizza la registrazione di dati fondamentali sugli esperimenti, come i parametri del modello e le metriche di addestramento. Progettato per essere semplice da usare, DVCLive permette di confrontare e analizzare facilmente più esecuzioni, migliorando l'efficienza dei progetti di machine learning 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, tra cui la generazione di un report che consente di confrontare i grafici delle metriche di tutti gli esperimenti tracciati, fornendo una panoramica completa del processo di addestramento.

Installazione#

Per installare i pacchetti necessari, esegui:

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

Per istruzioni dettagliate e procedure consigliate per l'installazione, consulta la guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la 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 assicura una perfetta integrazione di DVCLive nel 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 DVC in your project
dvc init -q

# Commit the DVC 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 approfondire le istruzioni per l'uso, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

Addestramento dei modelli YOLO26 con DVCLive#

Per iniziare, esegui 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

Modifica i parametri del modello, dei dati, delle epoche e imgsz in base alle tue esigenze specifiche. Per comprendere nel dettaglio il processo di addestramento del modello e le 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 chiave. 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 comprendere a fondo le metriche specifiche delle prestazioni utilizzate 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 i risultati in modo approfondito. L'integrazione di DVCLive assicura che tutte le metriche di addestramento vengano registrate sistematicamente, facilitando una valutazione completa delle prestazioni del tuo modello.

Per avviare l'analisi, puoi estrarre i dati degli esperimenti usando l'API di DVC ed elaborarli con Pandas per semplificarne la gestione e la visualizzazione:

import dvc.api
import pandas as pd

# Definisci le colonne di interesse
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Recupera i dati degli esperimenti
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Pulisci i dati
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Visualizza il DataFrame
print(df)

L'output del frammento di codice qui sopra fornisce una chiara visualizzazione tabellare dei diversi esperimenti condotti con i modelli YOLO26. Ogni riga rappresenta una diversa esecuzione dell'addestramento e riporta il nome dell'esperimento, il numero di epoche, la dimensione dell'immagine (imgsz), il modello specifico utilizzato e la metrica mAP50-95(B). Questa metrica è fondamentale per valutare l'accuratezza del modello: valori più alti indicano prestazioni migliori.

Visualizzare i 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 parametri e metriche diversi.

from plotly.express import parallel_coordinates

# Crea un grafico a coordinate parallele
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Visualizza il grafico
fig.show()

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

Generare visualizzazioni comparative con DVC#

DVC mette a disposizione un comando utile per generare grafici comparativi dei tuoi esperimenti. Può essere particolarmente utile per confrontare le prestazioni di modelli diversi in varie esecuzioni dell'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 dei diversi esperimenti e li salva come file HTML. Di seguito trovi un'immagine di esempio che illustra i grafici tipicamente generati con questo processo. L'immagine mostra vari grafici, tra cui quelli relativi a mAP, richiamo, precisione, valori di loss e altro, offrendo una panoramica visiva delle metriche chiave delle prestazioni:

Visualizzare i 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

# Visualizza i grafici DVC come HTML
HTML(filename="./dvc_plots/index.html")

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

Prendere decisioni basate sui dati#

Usa le informazioni ricavate da queste visualizzazioni per prendere decisioni consapevoli sull'ottimizzazione del modello, sulla regolazione degli iperparametri e su altre modifiche che possono migliorarne le prestazioni.

Iterare sugli esperimenti#

Sulla base della 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 illustrato il processo di integrazione di DVCLive con YOLO26 di Ultralytics. Hai imparato a sfruttare DVCLive per monitorare gli esperimenti in dettaglio, visualizzare i dati in modo efficace e ricavare informazioni utili dalle analisi nell'ambito delle tue attività di machine learning.

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

Inoltre, visita la pagina della guida alle integrazioni di Ultralytics per scoprire altre integrazioni e funzionalità di Ultralytics: troverai una raccolta di risorse e informazioni utili.

Domande frequenti#