Acompanhamento avançado de experiências do YOLO26 com DVCLive#

O acompanhamento de experiências em aprendizagem automática é essencial para o desenvolvimento e a avaliação de modelos. Envolve registar e analisar vários parâmetros, métricas e resultados de inúmeras execuções de treino. Este processo é fundamental para compreender o desempenho dos modelos e tomar decisões baseadas em dados para os aperfeiçoar e otimizar.

A integração do DVCLive com o Ultralytics YOLO26 transforma a forma como as experiências são acompanhadas e geridas. Esta integração oferece uma solução simples para registar automaticamente os principais detalhes das experiências, comparar resultados entre diferentes execuções e visualizar dados para uma análise aprofundada. Neste guia, vais compreender como o DVCLive pode ser utilizado para simplificar o processo.

DVCLive#

O DVCLive, desenvolvido pela DVC, é uma ferramenta inovadora de código aberto para o acompanhamento de experiências em aprendizagem automática. Integrando-se perfeitamente com o Git e a DVC, automatiza o registo de dados essenciais das experiências, como parâmetros do modelo e métricas de treino. Concebido para ser simples, o DVCLive permite comparar e analisar facilmente várias execuções, aumentando a eficiência dos projetos de aprendizagem automática com ferramentas intuitivas de visualização de dados e análise.

Treino do YOLO26 com DVCLive#

As sessões de treino do YOLO26 podem ser monitorizadas eficazmente com o DVCLive. Além disso, a DVC fornece funcionalidades integradas para visualizar estas experiências, incluindo a geração de um relatório que permite comparar gráficos de métricas de todas as experiências acompanhadas, oferecendo uma visão abrangente do processo de treino.

Instalação#

Para instalares os pacotes necessários, executa:

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

Para obteres instruções detalhadas e boas práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do YOLO26. Se encontrares dificuldades ao instalar os pacotes necessários para o YOLO26, consulta o nosso guia de problemas comuns para obteres soluções e sugestões.

Configurar o DVCLive#

Depois de instalares os pacotes necessários, o passo seguinte é configurar o teu ambiente com as credenciais necessárias. Esta configuração assegura uma integração simples do DVCLive no teu fluxo de trabalho existente.

Começa por inicializar um repositório Git, uma vez que o Git desempenha um papel fundamental no controlo de versões do teu código e das configurações do 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"

Nestes comandos, substitui your-email pelo endereço de e-mail associado à tua conta Git e "Your Name" pelo nome de utilizador da tua conta Git.

Utilização#

Antes de começares a consultar as instruções de utilização, vê a gama de modelos YOLO26 disponibilizados pela Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado aos requisitos do teu projeto.

Treinar modelos YOLO26 com DVCLive#

Começa por executar as tuas sessões de treino do YOLO26. Podes utilizar diferentes configurações de modelo e parâmetros de treino conforme as necessidades do teu projeto. Por exemplo:

# 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

Ajusta os parâmetros de modelo, dados, épocas e imgsz de acordo com os teus requisitos específicos. Para compreenderes detalhadamente o processo de treino do modelo e as melhores práticas, consulta o nosso guia de treino de modelos YOLO26.

Monitorizar experiências com DVCLive#

O DVCLive melhora o processo de treino ao permitir acompanhar e visualizar métricas importantes. Quando instalado, o Ultralytics YOLO26 integra-se automaticamente com o DVCLive para o acompanhamento de experiências, que podes analisar posteriormente para obter informações sobre o desempenho. Para compreenderes de forma abrangente as métricas de desempenho específicas utilizadas durante o treino, consulta o nosso guia detalhado sobre métricas de desempenho.

Analisar resultados#

Depois de concluíres as tuas sessões de treino do YOLO26, podes utilizar as poderosas ferramentas de visualização do DVCLive para analisar os resultados em profundidade. A integração do DVCLive assegura que todas as métricas de treino são registadas sistematicamente, facilitando uma avaliação abrangente do desempenho do teu modelo.

Para iniciares a análise, podes extrair os dados das experiências utilizando a API da DVC e processá-los com o Pandas para facilitar o seu tratamento e visualização:

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)

O resultado do trecho de código acima fornece uma visão tabular clara das diferentes experiências realizadas com modelos YOLO26. Cada linha representa uma execução de treino diferente, detalhando o nome da experiência, o número de épocas, o tamanho da imagem (imgsz), o modelo específico utilizado e a métrica mAP50-95(B). Esta métrica é fundamental para avaliar a precisão do modelo, sendo que valores mais elevados indicam um melhor desempenho.

Visualizar resultados com Plotly#

Para uma análise mais interativa e visual dos resultados das tuas experiências, podes utilizar o gráfico de coordenadas paralelas do Plotly. Este tipo de gráfico é especialmente útil para compreender as relações e os compromissos entre diferentes parâmetros e métricas.

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()

O resultado do trecho de código acima gera um gráfico que representa visualmente as relações entre épocas, tamanho da imagem, tipo de modelo e as respetivas pontuações mAP50-95(B), permitindo identificar tendências e padrões nos dados das tuas experiências.

Gerar visualizações comparativas com DVC#

A DVC fornece um comando útil para gerar gráficos comparativos das tuas experiências. Isto pode ser especialmente útil para comparar o desempenho de diferentes modelos ao longo de várias execuções de treino.

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

Depois de executares este comando, a DVC gera gráficos que comparam as métricas entre diferentes experiências e os guarda como ficheiros HTML. Abaixo, encontras uma imagem de exemplo que ilustra os gráficos típicos gerados por este processo. A imagem apresenta vários gráficos, incluindo os que representam mAP, revocação, precisão, valores de perda, entre outros, fornecendo uma visão geral visual das principais métricas de desempenho:

Apresentar gráficos da DVC#

Se estiveres a utilizar um Jupyter Notebook e quiseres apresentar os gráficos DVC gerados, podes utilizar a funcionalidade de apresentação do IPython.

from IPython.display import HTML

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

Este código apresenta o ficheiro HTML que contém os gráficos DVC diretamente no teu Jupyter Notebook, proporcionando uma forma fácil e conveniente de analisar os dados visualizados das experiências.

Tomar decisões baseadas em dados#

Utiliza as informações obtidas com estas visualizações para tomar decisões fundamentadas sobre otimizações do modelo, ajuste de hiperparâmetros e outras modificações que melhorem o desempenho do teu modelo.

Iterar nas experiências#

Com base na tua análise, repete as experiências. Ajusta as configurações do modelo, os parâmetros de treino ou até os dados de entrada e repete o processo de treino e análise. Esta abordagem iterativa é essencial para aperfeiçoar o teu modelo e obter o melhor desempenho possível.

Resumo#

Este guia acompanhou-te no processo de integração do DVCLive com o YOLO26 da Ultralytics. Aprendeste a tirar partido do DVCLive para monitorizar experiências detalhadamente, visualizar dados de forma eficaz e realizar análises úteis nos teus projetos de aprendizagem automática.

Para mais informações sobre a utilização, consulta a documentação oficial do DVCLive.

Além disso, explora mais integrações e funcionalidades da Ultralytics visitando a página do guia de integrações da Ultralytics, que reúne recursos e informações úteis.

Perguntas frequentes#