Monitoraggio avanzato degli esperimenti YOLO26 con DVCLive#

Il tracciamento 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 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.

L'integrazione di DVCLive con Ultralytics YOLO26 trasforma il modo in cui gli esperimenti vengono tracciati e gestiti. Questa integrazione offre una soluzione trasparente 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 può essere utilizzato per semplificare il processo.

DVCLive#

DVCLive, sviluppato da DVC, è uno strumento open source innovativo per il tracciamento degli esperimenti nel machine learning. Integrandosi perfettamente con Git e DVC, automatizza la registrazione di dati cruciali degli esperimenti come i parametri del modello e le metriche di addestramento. Progettato per la semplicità, DVCLive consente il confronto e l'analisi senza sforzo di 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 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.

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, assicurati di consultare la nostra YOLO26 Installation guide. Durante l'installazione dei pacchetti richiesti per YOLO26, se riscontri difficoltà, consulta la nostra Common Issues guide per trovare soluzioni e consigli.

Configurazione 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 nome utente del tuo account Git.

Utilizzo#

Prima di immergiti nelle istruzioni d'uso, assicurati di dare 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 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, di epochs e di imgsz in base ai tuoi requisiti specifici. Per una comprensione dettagliata del processo di addestramento del modello e delle migliori pratiche, fai riferimento alla nostra guida all'addestramento dei modelli YOLO26.

Monitoraggio degli esperimenti con DVCLive#

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

Analisi 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 dello snippet di codice precedente fornisce una chiara vista tabulare dei diversi esperimenti condotti con i modelli YOLO26. Ogni riga rappresenta una diversa esecuzione di addestramento, 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 elevati che indicano prestazioni migliori.

Visualizzazione 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.

Generazione 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 i diversi esperimenti, 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 perdita e altro ancora, fornendo una panoramica visiva delle metriche di prestazione chiave:

Visualizzazione 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.

Prendere decisioni basate sui dati#

Usa le informazioni ottenute da queste visualizzazioni per prendere decisioni informate sulle ottimizzazioni del modello, sulla regolazione degli iperparametri e su altre modifiche per migliorare le prestazioni del tuo modello.

Iterazione 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.

Riepilogo#

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 rappresenta una raccolta di grandi risorse e approfondimenti.

FAQ#