Rastreamento avançado de experimentos do YOLO26 com DVCLive#

O rastreamento de experimentos em aprendizado de máquina é fundamental para o desenvolvimento e a avaliação de modelos. Ele envolve o registro e a análise de vários parâmetros, métricas e resultados de inúmeras execuções de treinamento. Esse processo é essencial para entender o desempenho dos modelos e tomar decisões baseadas em dados para aprimorá-los e otimizá-los.

Integrar o DVCLive com Ultralytics YOLO26 transforma a maneira como os experimentos são rastreados e gerenciados. Essa integração oferece uma solução simples para registrar automaticamente os principais detalhes dos experimentos, comparar resultados entre diferentes execuções e visualizar dados para análises aprofundadas. Neste guia, vamos entender como o DVCLive pode simplificar esse processo.

DVCLive#

O DVCLive, desenvolvido pela DVC, é uma ferramenta inovadora de código aberto para rastreamento de experimentos em aprendizado de máquina. Integrado perfeitamente ao Git e ao DVC, ele automatiza o registro de dados importantes dos experimentos, como parâmetros do modelo e métricas de treinamento. Projetado para ser simples, o DVCLive facilita a comparação e a análise de várias execuções, aumentando a eficiência dos projetos de aprendizado de máquina com ferramentas intuitivas de visualização de dados e análise.

Treinamento do YOLO26 com DVCLive#

As sessões de treinamento do YOLO26 podem ser monitoradas com eficiência usando o DVCLive. Além disso, o DVC oferece recursos integrados para visualizar esses experimentos, incluindo a geração de um relatório que permite comparar gráficos de métricas de todos os experimentos rastreados e oferece uma visão abrangente do processo de treinamento.

Instalação#

Para instalar os pacotes necessários, executa:

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

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

Configuração do DVCLive#

Depois de instalar os pacotes necessários, o próximo passo é configurar seu ambiente com as credenciais necessárias. Essa configuração garante uma integração tranquila do DVCLive ao seu fluxo de trabalho existente.

Comece inicializando um repositório Git, pois o Git tem um papel fundamental no controle de versão do seu 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 DVC in your project
dvc init -q

# Commit the DVC setup to your Git repository
git commit -m "DVC init"

Nesses comandos, substitua your-email pelo endereço de e-mail associado à sua conta Git e "Your Name" pelo nome de usuário da sua conta Git.

Uso#

Antes de consultares as instruções de utilização, não te esqueças de ver a variedade de modelos YOLO26 disponibilizados pelo Ultralytics. Isto vai ajudar-te a escolher o modelo mais adequado aos requisitos do teu projeto.

Treinamento de modelos YOLO26 com DVCLive#

Comece executando suas sessões de treinamento do YOLO26. Você pode usar diferentes configurações de modelo e parâmetros de treinamento conforme as necessidades do seu 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

Ajuste os parâmetros model, data, epochs e imgsz de acordo com suas necessidades específicas. Para entender melhor o processo de treinamento do modelo e as práticas recomendadas, consulte nosso guia de treinamento de modelos YOLO26.

Monitoramento de experimentos com DVCLive#

O DVCLive aprimora o processo de treinamento ao permitir o acompanhamento e a visualização de métricas importantes. Quando instalado, o Ultralytics YOLO26 integra-se automaticamente ao DVCLive para acompanhar experimentos, que você pode analisar posteriormente para obter informações sobre o desempenho. Para entender melhor as métricas de desempenho específicas usadas durante o treinamento, confira nosso guia detalhado sobre métricas de desempenho.

Analisando os resultados#

Após concluir as sessões de treinamento do YOLO26, você pode aproveitar as poderosas ferramentas de visualização do DVCLive para analisar os resultados em profundidade. A integração do DVCLive garante que todas as métricas de treinamento sejam registradas sistematicamente, facilitando uma avaliação abrangente do desempenho do seu modelo.

Para iniciar a análise, você pode extrair os dados do experimento usando a API do DVC e processá-los com Pandas para facilitar o tratamento e a visualização:

import dvc.api
import pandas as pd

# Defina as colunas de interesse
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Recupere os dados do experimento
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Limpe os dados
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Exiba o DataFrame
print(df)

A saída do trecho de código acima oferece uma visualização tabular clara dos diferentes experimentos realizados com modelos YOLO26. Cada linha representa uma execução de treinamento diferente e detalha o nome do experimento, o número de épocas, o tamanho da imagem (imgsz), o modelo específico utilizado e a métrica mAP50-95(B). Essa métrica é fundamental para avaliar a precisão do modelo: valores mais altos indicam melhor desempenho.

Visualizando os resultados com Plotly#

Para uma análise mais interativa e visual dos resultados dos seus experimentos, você pode usar o gráfico de coordenadas paralelas do Plotly. Esse tipo de gráfico é especialmente útil para entender as relações e as compensações entre diferentes parâmetros e métricas.

from plotly.express import parallel_coordinates

# Crie um gráfico de coordenadas paralelas
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Exiba o gráfico
fig.show()

A saída do trecho de código acima gera um gráfico que representa visualmente as relações entre épocas, tamanho da imagem, tipo de modelo e suas respectivas pontuações mAP50-95(B), permitindo identificar tendências e padrões nos dados do experimento.

Gerando visualizações comparativas com DVC#

O DVC oferece um comando útil para gerar gráficos comparativos dos seus experimentos. Isso pode ser especialmente útil para comparar o desempenho de diferentes modelos em várias execuções de treinamento.

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

Após executar esse comando, o DVC gera gráficos que comparam as métricas entre diferentes experimentos e os salva como arquivos HTML. Abaixo está um exemplo de imagem que ilustra os gráficos típicos gerados por esse processo. A imagem mostra vários gráficos, incluindo os que representam mAP, revocação, precisão, valores de perda e muito mais, oferecendo uma visão geral visual das principais métricas de desempenho:

Exibindo gráficos do DVC#

Se você estiver usando um Jupyter Notebook e quiser exibir os gráficos do DVC gerados, poderá usar a funcionalidade de exibição do IPython.

from IPython.display import HTML

# Exiba os gráficos do DVC como HTML
HTML(filename="./dvc_plots/index.html")

Esse código renderiza diretamente no Jupyter Notebook o arquivo HTML que contém os gráficos do DVC, oferecendo uma maneira simples e conveniente de analisar os dados visualizados do experimento.

Tomando decisões com base em dados#

Use os insights obtidos com essas visualizações para tomar decisões fundamentadas sobre otimizações do modelo, ajuste de hiperparâmetros e outras modificações que aprimorem o desempenho do seu modelo.

Iterando nos experimentos#

Com base na sua análise, faça iterações nos experimentos. Ajuste as configurações do modelo, os parâmetros de treinamento ou até mesmo os dados de entrada e repita o processo de treinamento e análise. Essa abordagem iterativa é fundamental para refinar seu modelo e obter o melhor desempenho possível.

Resumo#

Este guia mostrou a você como integrar o DVCLive ao YOLO26 da Ultralytics. Você aprendeu a aproveitar o DVCLive para monitoramento detalhado de experimentos, visualização eficaz e análises esclarecedoras nos seus projetos de aprendizado de máquina.

Para obter mais detalhes sobre o uso, visite a documentação oficial do DVCLive.

Além disso, explore outras integrações e recursos da Ultralytics visitando a página do guia de integrações da Ultralytics, que reúne excelentes recursos e insights.

Perguntas frequentes#