Link to this sectionMonitoraggio avanzato degli esperimenti YOLO26 con DVCLive#

Il monitoraggio degli esperimenti nel machine learning è fondamentale per lo sviluppo e la valutazione dei modelli. Comporta la registrazione e l'analisi di vari parametri, metriche e risultati di numerosi cicli di addestramento. Questo processo è essenziale per comprendere le prestazioni del modello e prendere decisioni basate sui dati per 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 chiave degli esperimenti, confrontare i risultati tra diverse esecuzioni e visualizzare i dati per un'analisi approfondita. In questa guida, vedremo come DVCLive possa essere utilizzato per semplificare il processo.

Link to this sectionDVCLive#

DVCLive, sviluppato da DVC, è uno strumento open-source innovativo per il monitoraggio degli esperimenti nel machine learning. Integrandosi perfettamente con Git e DVC, automatizza la registrazione di dati cruciali dell'esperimento, come i parametri del modello e le metriche di addestramento. Progettato per essere semplice, DVCLive consente un confronto e un'analisi agevoli di esecuzioni multiple, migliorando l'efficienza dei progetti di machine learning con strumenti intuitivi di visualizzazione dei dati e analisi.

Link to this sectionAddestramento di YOLO26 con DVCLive#

Le sessioni di addestramento di YOLO26 possono essere monitorate efficacemente con DVCLive. Inoltre, DVC fornisce funzionalità integrali per visualizzare questi esperimenti, inclusa la generazione di un report che permette il confronto dei grafici delle metriche tra tutti gli esperimenti monitorati, offrendo una visione completa del processo di addestramento.

Link to this sectionInstallazione#

Per installare i pacchetti richiesti, esegui:

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

Per istruzioni dettagliate e le migliori pratiche relative al processo di installazione, assicurati di controllare la nostra guida all'installazione di YOLO26. Durante l'installazione dei pacchetti richiesti per YOLO26, se incontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionConfigurazione di DVCLive#

Una volta installati i pacchetti necessari, il passo successivo è configurare l'ambiente con le credenziali richieste. Questa impostazione garantisce una perfetta integrazione di DVCLive nel tuo flusso di lavoro esistente.

Inizia inizializzando un repository Git, poiché Git gioca un ruolo cruciale nel controllo delle versioni sia per il tuo codice che per le 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 tuo nome utente dell'account Git.

Link to this sectionUtilizzo#

Prima di immergerti nelle istruzioni per l'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per i requisiti del tuo progetto.

Link to this sectionAddestramento di modelli YOLO26 con DVCLive#

Inizia eseguendo le tue sessioni di addestramento YOLO26. Puoi utilizzare diverse configurazioni di modello e parametri di addestramento per adattarti 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 del modello, dei dati, delle epochs e di imgsz in base alle tue specifiche esigenze. Per una comprensione dettagliata del processo di addestramento del modello e delle migliori pratiche, consulta la nostra guida all'addestramento dei modelli YOLO26.

Link to this sectionMonitoraggio degli esperimenti con DVCLive#

DVCLive migliora il processo di addestramento consentendo il monitoraggio e la visualizzazione delle metriche chiave. Una volta installato, Ultralytics YOLO26 si integra automaticamente con DVCLive per il monitoraggio degli esperimenti, che potrai successivamente analizzare per ottenere insight sulle prestazioni. Per una comprensione completa delle specifiche metriche di prestazione utilizzate durante l'addestramento, assicurati di esplorare la nostra guida dettagliata sulle metriche di prestazione.

Link to this sectionAnalisi dei risultati#

Dopo aver completato le sessioni di addestramento di YOLO26, puoi sfruttare i potenti strumenti di visualizzazione di DVCLive per un'analisi approfondita dei risultati. L'integrazione di DVCLive assicura 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 dell'esperimento utilizzando l'API di DVC ed elaborarli con Pandas per una gestione e una visualizzazione più semplice:

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 sopra fornisce una chiara vista tabellare dei diversi esperimenti condotti con i modelli YOLO26. Ogni riga rappresenta un ciclo di addestramento diverso, dettagliando 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 cruciale per valutare l'accuratezza del modello, con valori più alti che indicano prestazioni migliori.

Link to this sectionVisualizzazione dei risultati con Plotly#

Per un'analisi più interattiva e visiva dei risultati dei tuoi esperimenti, puoi utilizzare 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 sopra genera un grafico che rappresenterà visivamente le relazioni tra epoche, dimensione dell'immagine, tipo di modello e i relativi punteggi mAP50-95(B), consentendoti di individuare tendenze e pattern nei dati del tuo esperimento.

Link to this sectionGenerazione di visualizzazioni comparative con DVC#

DVC fornisce un comando utile per generare grafici comparativi per i tuoi esperimenti. Questo può essere particolarmente utile per confrontare le prestazioni di diversi modelli durante vari cicli 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, i quali vengono salvati come file HTML. Di seguito è riportata un'immagine di esempio che illustra i grafici tipici generati da questo processo. L'immagine mostra vari grafici, inclusi quelli che rappresentano mAP, recall, precision, valori di loss e altro, fornendo una panoramica visiva delle metriche chiave di prestazione:

Link to this sectionVisualizzazione dei grafici DVC#

Se stai utilizzando un Jupyter Notebook e desideri 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 renderizzerà il file HTML contenente i grafici DVC direttamente nel tuo Jupyter Notebook, fornendo un modo semplice e conveniente per analizzare i dati dell'esperimento visualizzati.

Link to this sectionPrendere decisioni basate sui dati#

Usa gli insight ottenuti da queste visualizzazioni per prendere decisioni informate riguardo alle ottimizzazioni del modello, al tuning degli iperparametri e ad altre modifiche per migliorare le prestazioni del tuo modello.

Link to this sectionIterazione sugli esperimenti#

In base alla tua analisi, itera sui tuoi esperimenti. Regola le configurazioni del modello, i parametri di addestramento o persino gli input dei dati e ripeti il processo di addestramento e analisi. Questo approccio iterativo è la chiave per perfezionare il tuo modello per ottenere le migliori prestazioni possibili.

Link to this sectionRiepilogo#

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

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

Inoltre, esplora ulteriori integrazioni e funzionalità di Ultralytics visitando la pagina della guida alle integrazioni di Ultralytics, che è una raccolta di ottime risorse e approfondimenti.

Link to this sectionFAQ#

Link to this sectionCome integro DVCLive con Ultralytics YOLO26 per il monitoraggio degli esperimenti?#

Integrare DVCLive con Ultralytics YOLO26 è semplice. Inizia installando i pacchetti necessari:

pip install ultralytics dvclive

Successivamente, inizializza un repository Git e configura DVCLive nel tuo progetto:

git 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.

Link to this sectionPerché dovrei usare DVCLive per monitorare gli esperimenti con YOLO26?#

L'utilizzo di DVCLive con YOLO26 offre diversi vantaggi, come:

• Registrazione automatica: DVCLive registra automaticamente i dettagli chiave dell'esperimento come parametri del modello e metriche.
• Facilità di confronto: Facilita il confronto dei risultati tra diverse esecuzioni.
• Strumenti di visualizzazione: Sfrutta le robuste funzionalità di visualizzazione dei dati di DVCLive per un'analisi approfondita.

Per ulteriori dettagli, consulta la nostra guida sull'addestramento dei modelli YOLO26 e sulle metriche di prestazione di YOLO per massimizzare l'efficienza del tuo monitoraggio degli esperimenti.

Link to this sectionIn che modo DVCLive può migliorare l'analisi dei risultati per le sessioni di addestramento di YOLO26?#

Dopo aver completato le sessioni di addestramento di YOLO26, DVCLive aiuta a visualizzare e analizzare i risultati in modo efficace. Esempio di codice per caricare e visualizzare i dati dell'esperimento:

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)

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 ulteriori esempi e migliori pratiche.

Link to this sectionQuali sono i passaggi per configurare il mio ambiente per l'integrazione di DVCLive e YOLO26?#

Per configurare il tuo ambiente per una fluida integrazione di DVCLive e YOLO26, segui questi passaggi:

1. Installa i pacchetti richiesti: Usa pip install ultralytics dvclive.
2. Inizializza il repository Git: Esegui git init -q.
3. Configura DVCLive: Esegui dvc init -q.
4. Esegui il commit su Git: Usa git commit -m "DVC init".

Questi passaggi garantiscono un corretto controllo delle versioni e una configurazione ottimale per il monitoraggio degli esperimenti. Per dettagli approfonditi sulla configurazione, visita la nostra guida alla configurazione.

Link to this sectionCome visualizzo i risultati degli esperimenti di YOLO26 utilizzando DVCLive?#

DVCLive offre potenti strumenti per visualizzare i risultati degli esperimenti YOLO26. Ecco come puoi generare grafici comparativi:

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

Per visualizzare questi grafici in un Jupyter Notebook, usa:

from IPython.display import HTML

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

Queste visualizzazioni aiutano a identificare le tendenze e ottimizzare le prestazioni del modello. Consulta le nostre guide dettagliate su Analisi degli esperimenti YOLO26 per passaggi ed esempi completi.