DVCLive를 사용한 고급 YOLO26 실험 추적

머신러닝에서 실험 추적은 모델 개발 및 평가에 매우 중요합니다. 여기에는 여러 학습 실행의 다양한 파라미터, 메트릭, 결과를 기록하고 분석하는 작업이 포함됩니다. 이 과정은 모델 성능을 이해하고 데이터 기반 의사 결정을 내려 모델을 개선하고 최적화하는 데 필수적입니다.

DVCLive를 Ultralytics YOLO26과 통합하면 주요 실험 정보를 자동으로 기록하고, 실행 간 결과를 비교하며, 심층 분석을 위해 데이터를 시각화합니다. 이 가이드에서는 통합을 설정하고 사용하는 방법을 설명합니다.

DVCLive#

DVCLive experiment tracking integration

DVC가 개발한 DVCLive는 머신러닝 실험 추적을 위한 오픈 소스 도구입니다. Git 및 DVC와 함께 작동하여 모델 파라미터와 학습 메트릭 같은 실험 데이터 로깅을 자동화하고, 데이터 시각화 및 분석 도구로 여러 실행을 쉽게 비교하고 분석할 수 있게 합니다.

DVCLive를 사용한 YOLO26 학습#

DVCLive를 사용하면 YOLO26 학습 세션을 모니터링할 수 있습니다. DVC는 추적된 모든 실험의 메트릭 그래프를 비교하는 보고서 등 이러한 실험을 시각화하는 도구도 제공합니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

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

설치 과정에 관한 자세한 안내와 모범 사례는 YOLO26 설치 가이드를 확인하세요. YOLO26 필수 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁은 일반적인 문제 가이드를 참조하세요.

DVCLive 구성#

필요한 패키지를 설치한 뒤 프로젝트 환경을 설정하면 DVCLive가 코드와 함께 실험을 기록할 수 있습니다.

먼저 Git 저장소를 초기화합니다. Git은 코드와 DVCLive 설정의 버전 관리에 중요한 역할을 합니다.

초기 환경 설정
# 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"

이 명령에서 your-email을 Git 계정에 연결된 이메일 주소로 바꾸고, "Your Name"을 Git 계정 사용자 이름으로 바꿉니다.

사용법#

DVCLive를 사용한 YOLO26 모델 학습#

먼저 YOLO26 학습 세션을 실행합니다. 프로젝트 요구 사항에 맞춰 다양한 모델 구성과 학습 매개변수를 사용할 수 있습니다. 예를 들면 다음과 같습니다:

# 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

필요에 따라 모델, 데이터, 에포크, imgsz 매개변수를 조정합니다. 모델 학습 과정과 모범 사례에 대한 자세한 내용은 YOLO26 모델 학습 가이드를 참조하세요.

DVCLive로 실험 모니터링#

DVCLive는 주요 지표의 추적 및 시각화를 지원하여 학습 프로세스를 개선합니다. DVCLive를 설치하면 콜백이 기본적으로 활성화됩니다. 학습 인수, 에포크별 손실, 검증 지표 및 학습률, 학습 및 검증 플롯, 혼동 행렬, 그리고 모델 아티팩트인 best.pt을 기록합니다. 통합을 비활성화하려면 yolo settings dvc=False을 실행합니다. 학습 중 사용되는 구체적인 성능 지표를 자세히 알아보려면 성능 지표에 관한 상세 가이드를 확인하세요.

결과 분석#

YOLO26 학습 세션이 완료되면 DVCLive의 시각화 도구로 결과를 분석할 수 있습니다. 통합을 통해 모든 학습 메트릭이 기록되므로 여러 실행에서 모델 성능을 평가할 수 있습니다.

분석을 시작하려면 DVC의 API를 사용해 실험 데이터를 추출하고, 더 쉽게 처리하고 시각화할 수 있도록 Pandas로 처리할 수 있습니다.

import dvc.api
import pandas as pd

# 관심 있는 열을 정의합니다
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# 실험 데이터를 가져옵니다
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# 데이터를 정리합니다
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# DataFrame을 표시합니다
print(df)

위 코드 스니펫의 출력은 YOLO26 모델로 수행한 여러 실험을 명확한 표 형식으로 보여줍니다. 각 행은 서로 다른 학습 실행을 나타내며, 실험 이름, 에포크 수, 이미지 크기(imgsz), 사용된 특정 모델, mAP50-95(B) 지표를 자세히 보여줍니다. 이 지표는 모델의 정확도를 평가하는 데 중요하며, 값이 높을수록 성능이 우수함을 나타냅니다.

Plotly로 결과 시각화하기#

실험 결과를 더욱 대화형으로 시각적으로 분석하려면 Plotly의 평행 좌표 플롯을 사용할 수 있습니다. 이 유형의 플롯은 다양한 매개변수와 메트릭 간의 관계와 상충 관계를 파악하는 데 특히 유용합니다.

from plotly.express import parallel_coordinates

# 평행 좌표 플롯을 생성합니다
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# 플롯을 표시합니다
fig.show()

위 코드 스니펫의 출력은 에포크, 이미지 크기, 모델 유형과 이에 해당하는 mAP50-95(B) 점수 사이의 관계를 시각적으로 나타내는 그래프를 생성하여 실험 데이터의 추세와 패턴을 파악할 수 있게 합니다.

DVC로 비교 시각화 생성하기#

DVC는 실험의 비교 플롯을 생성하는 유용한 명령어를 제공합니다. 이 기능은 여러 학습 실행에서 다양한 모델의 성능을 비교할 때 특히 유용합니다.

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

이 명령어를 실행하면 DVC가 여러 실험의 메트릭을 비교하는 플롯을 생성하고 HTML 파일로 저장합니다. 아래 예시 이미지는 이 프로세스에서 일반적으로 생성되는 플롯을 보여줍니다. 이미지에는 mAP, 재현율, 정밀도, 손실 값 등을 나타내는 다양한 그래프가 포함되어 있어 주요 성능 메트릭을 시각적으로 확인할 수 있습니다.

DVCLive training metrics comparison plots

DVC 플롯 표시하기#

Jupyter Notebook을 사용 중이며 생성된 DVC 플롯을 표시하려면 IPython의 display 기능을 사용할 수 있습니다.

from IPython.display import HTML

# DVC 플롯을 HTML로 표시합니다
HTML(filename="./dvc_plots/index.html")

이 코드는 DVC 플롯이 포함된 HTML 파일을 Jupyter Notebook에서 바로 렌더링하여 시각화된 실험 데이터를 쉽고 편리하게 분석할 수 있도록 합니다.

데이터 기반 의사 결정#

이러한 시각화에서 얻은 인사이트를 활용해 모델 최적화, 하이퍼파라미터 튜닝, 기타 수정 사항에 대한 정보에 입각한 결정을 내리고 모델 성능을 향상하세요.

실험 반복하기#

분석 결과를 바탕으로 실험을 반복하세요. 모델 구성, 학습 매개변수 또는 데이터 입력을 조정한 다음 학습과 분석 프로세스를 반복합니다. 이러한 반복적 접근 방식은 최상의 성능을 내도록 모델을 개선하는 데 중요합니다.

요약#

이 가이드에서는 설정부터 실험 모니터링, 시각화, 분석까지 Ultralytics YOLO26과 DVCLive를 통합하는 과정을 안내했습니다.

사용법에 관한 자세한 내용은 DVCLive 공식 문서를 참조하세요.

자주 묻는 질문#

  • DVCLive를 Ultralytics YOLO26과 통합하는 과정은 간단합니다. 먼저 필요한 패키지를 설치하세요.

    설치
    pip install ultralytics dvclive

    그런 다음 Git 저장소를 초기화하고 프로젝트에서 DVCLive를 구성하세요.

    초기 환경 설정
    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"

    자세한 설정 지침은 YOLO26 설치 가이드를 참조하세요.

  • YOLO26에 DVCLive를 사용하면 다음과 같은 여러 장점이 있습니다.

    • 자동 로깅: DVCLive는 모델 매개변수와 메트릭 같은 주요 실험 정보를 자동으로 기록합니다.
    • 간편한 비교: 서로 다른 실행 간의 결과 비교를 지원합니다.
    • 시각화 도구: DVCLive의 데이터 시각화 기능을 사용해 심층 분석을 수행합니다.

    실험 추적 효율을 극대화하려면 YOLO26 모델 학습 및 YOLO 성능 메트릭 가이드를 참조하세요.

  • YOLO26 학습 세션을 완료한 후 DVCLive를 사용하면 결과를 효과적으로 시각화하고 분석할 수 있습니다. 실험 데이터를 불러와 표시하는 예제 코드는 다음과 같습니다.

    import dvc.api
    import pandas as pd
    
    # 관심 있는 열을 정의합니다
    columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]
    
    # 실험 데이터를 가져옵니다
    df = pd.DataFrame(dvc.api.exp_show(), columns=columns)
    
    # 데이터를 정리합니다
    df.dropna(inplace=True)
    df.reset_index(drop=True, inplace=True)
    
    # DataFrame을 표시합니다
    print(df)

    결과를 대화형으로 시각화하려면 Plotly의 평행 좌표 플롯을 사용하세요.

    from plotly.express import parallel_coordinates
    
    fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
    fig.show()

    더 많은 예시와 모범 사례는 DVCLive를 사용한 YOLO26 학습 가이드를 참조하세요.

  • DVCLive와 YOLO26을 원활하게 통합할 수 있도록 환경을 구성하려면 다음 단계를 따르세요.

    1. 필수 패키지 설치: pip install ultralytics dvclive을 사용합니다.
    2. Git 저장소 초기화: git init -q을 실행합니다.
    3. DVC 초기화: dvc init -q을 실행합니다.
    4. Git에 커밋: git commit -m "DVC init"을 사용합니다.

    이 단계를 따르면 실험 추적을 위한 버전 관리와 설정을 올바르게 수행할 수 있습니다.

  • DVCLive는 YOLO26 실험 결과를 시각화하는 도구를 제공합니다. 비교 그래프를 생성하는 방법은 다음과 같습니다:

    비교 플롯 생성
    dvc plots diff $(dvc exp list --names-only)

    Jupyter Notebook에서 이 플롯을 표시하려면 다음을 사용하세요.

    from IPython.display import HTML
    
    # 플롯을 HTML로 표시합니다
    HTML(filename="./dvc_plots/index.html")

    이러한 시각화를 통해 추세를 파악하고 모델 성능을 최적화할 수 있습니다.

댓글5

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. UltralyticsAssistantGitHubUltralytics

    👋 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 ultralytics package by upgrading in your setup:

    pip install -U ultralytics

    The 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:

    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! ✨

    1. liggrGitHub

      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?

    2. 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-only after training. For setup details, refer to the DVCLive integration guide.