Tracciamento avanzato degli esperimenti YOLO26 con DVCLive
Il monitoraggio 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 ottenuti da numerose sessioni di addestramento. Questo processo è essenziale per comprendere le prestazioni dei modelli e prendere decisioni basate sui dati per perfezionarli e ottimizzarli.
L'integrazione di DVCLive con Ultralytics YOLO26 registra automaticamente i dettagli principali degli esperimenti, confronta i risultati tra le diverse esecuzioni e visualizza i dati per un'analisi approfondita. Questa guida spiega come configurare e usare l'integrazione.
DVCLive#
DVCLive, sviluppato da DVC, è uno strumento open source per il monitoraggio degli esperimenti di machine learning. Funziona con Git e DVC per automatizzare la registrazione dei dati degli esperimenti, come i parametri dei modelli e le metriche di addestramento, e semplifica il confronto e l'analisi di più esecuzioni con strumenti di visualizzazione dei dati e analisi.
Addestramento di YOLO26 con DVCLive#
Le sessioni di addestramento YOLO26 possono essere monitorate con DVCLive. DVC fornisce anche strumenti per visualizzare questi esperimenti, tra cui un report che confronta i grafici delle metriche di tutti gli esperimenti monitorati.
Installazione#
Per installare i pacchetti necessari, esegui:
# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclivePer 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, configura l'ambiente del progetto in modo che DVCLive possa registrare gli esperimenti insieme al codice.
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#
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=640Modifica 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. Dopo aver installato DVCLive, il relativo callback è abilitato per impostazione predefinita. Registra gli argomenti di addestramento, le loss per epoca, le metriche di convalida e i tassi di apprendimento, i grafici di addestramento e convalida, una matrice di confusione e best.pt come artefatto del modello. Esegui yolo settings dvc=False per disabilitare l'integrazione. Per comprendere a fondo le metriche di prestazione specifiche usate durante l'addestramento, consulta la nostra guida dettagliata sulle metriche di prestazione.
Analisi dei risultati#
Al termine delle sessioni di addestramento YOLO26, puoi usare gli strumenti di visualizzazione di DVCLive per analizzare i risultati. Poiché l'integrazione registra tutte le metriche di addestramento, puoi valutare le prestazioni del tuo modello tra le diverse esecuzioni.
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 dello snippet di codice qui sopra offre una chiara visualizzazione tabellare dei diversi esperimenti condotti con i modelli YOLO26. Ogni riga rappresenta una diversa esecuzione di addestramento e riporta il nome dell'esperimento, il numero di epoche, la dimensione dell'immagine (imgsz), il modello 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 dello snippet di codice qui sopra genera un grafico che rappresenta visivamente le relazioni tra le epoche, la dimensione dell'immagine, il tipo di modello e i corrispondenti punteggi mAP50-95(B), consentendoti di individuare tendenze e schemi nei dati dell'esperimento.
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 l'integrazione di DVCLive con Ultralytics YOLO26, dalla configurazione al monitoraggio, alla visualizzazione e all'analisi degli esperimenti.
Per ulteriori dettagli sull'utilizzo, consulta la documentazione ufficiale di DVCLive.
Domande frequenti#
Integrare DVCLive con Ultralytics YOLO26 è semplice. Per prima cosa, installa i pacchetti necessari:
Installazionepip install ultralytics dvclivePoi inizializza un repository Git e configura DVCLive nel tuo progetto:
Configurazione iniziale dell'ambientegit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"Segui la nostra guida all'installazione di YOLO26 per istruzioni dettagliate sulla configurazione.
Usare DVCLive con YOLO26 offre diversi vantaggi, tra cui:
- Registrazione automatica: DVCLive registra automaticamente i dettagli principali degli esperimenti, come i parametri e le metriche del modello.
- Confronto semplice: facilita il confronto dei risultati tra diverse esecuzioni.
- Strumenti di visualizzazione: sfrutta le funzionalità di visualizzazione dei dati di DVCLive per un'analisi approfondita.
Per ulteriori dettagli, consulta le nostre guide su addestramento dei modelli YOLO26 e metriche delle prestazioni di YOLO per ottimizzare l'efficienza del monitoraggio dei tuoi esperimenti.
Dopo aver completato le sessioni di addestramento di YOLO26, DVCLive ti aiuta a visualizzare e analizzare i risultati in modo efficace. Ecco un esempio di codice per caricare e visualizzare i dati degli esperimenti:
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)Per visualizzare i risultati in modo interattivo, usa il grafico a coordinate parallele di Plotly:
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()Consulta la nostra guida su addestramento di YOLO26 con DVCLive per altri esempi e buone pratiche.
Per configurare il tuo ambiente e integrare senza problemi DVCLive e YOLO26, segui questi passaggi:
- Installa i pacchetti necessari: usa
pip install ultralytics dvclive. - Inizializza il repository Git: esegui
git init -q. - Inizializza DVC: esegui
dvc init -q. - Esegui il commit in Git: usa
git commit -m "DVC init".
Questi passaggi garantiscono un controllo delle versioni e una configurazione corretti per il monitoraggio degli esperimenti.
- Installa i pacchetti necessari: usa
DVCLive offre strumenti per visualizzare i risultati degli esperimenti YOLO26. Ecco come generare grafici comparativi:
Genera grafici comparatividvc plots diff $(dvc exp list --names-only)Per visualizzare questi grafici in un Jupyter Notebook, usa:
from IPython.display import HTML # Visualizza i grafici come HTML HTML(filename="./dvc_plots/index.html")Queste visualizzazioni aiutano a individuare le tendenze e a ottimizzare le prestazioni del modello.
Commenti5
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
UltralyticsAssistantUltralytics
👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!
We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.
If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.
Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:
Upgrade
Make sure you're using the latest version of the
ultralyticspackage by upgrading in your setup:pip install -U ultralyticsThe latest version ensures compatibility with integrations like DVCLive and other features.
Supported Environments
You can work seamlessly with YOLO and its integrations in the following environments:
- Notebooks with free GPU:
- Cloud Platforms like Google Cloud, AWS, or with a Docker setup
.
For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.
An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨
liggr
Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?
Glenn JocherUltralytics@liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with
dvc exp list --names-onlyafter training. For setup details, refer to the DVCLive integration guide.
- Notebooks with free GPU:
liggr
Can this DVC be integrated with the YOLOV8 model?
Glenn JocherUltralyticsYes, DVC can be integrated with YOLOv8 for experiment tracking. The process is similar to the YOLO11 integration shown in our documentation. For YOLOv8-specific implementation details, see our guide at https://docs.ultralytics.com/integrations/dvc/ which applies to all YOLO versions.