Rastreamento avançado de experimentos do YOLO26 com DVCLive
O acompanhamento de experiências em aprendizagem automática é essencial para o desenvolvimento e a avaliação de modelos. Envolve o registo e a análise de 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 regista automaticamente os principais detalhes das experiências, compara resultados entre execuções e visualiza dados para uma análise aprofundada. Este guia mostra como configurar e utilizar a integração.
DVCLive#
O DVCLive, desenvolvido pela DVC, é uma ferramenta de código aberto para acompanhar experiências de aprendizagem automática. Funciona com Git e DVC para automatizar o registo de dados das experiências, como parâmetros do modelo e métricas de treino, e facilita a comparação e análise de várias execuções com ferramentas de visualização de dados e análise.
Treinamento do YOLO26 com DVCLive#
As sessões de treino do YOLO26 podem ser monitorizadas com o DVCLive. A DVC também fornece ferramentas para visualizar estas experiências, incluindo um relatório que compara os gráficos de métricas de todas as experiências acompanhadas.
Instalação#
Para instalar os pacotes necessários, executa:
# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclivePara 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 instalares os pacotes necessários, configura o ambiente do projeto para que o DVCLive possa registar as experiências juntamente com o teu código.
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#
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=640Ajuste 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 acompanhar e visualizar métricas importantes. Depois que o DVCLive é instalado, o callback é ativado por padrão. Ele registra os argumentos de treinamento, as perdas por época, as métricas de validação e as taxas de aprendizado, os gráficos de treinamento e validação, uma matriz de confusão e best.pt como artefato do modelo. Executa yolo settings dvc=False para desativar a integração. Para entender a fundo as métricas de desempenho específicas usadas durante o treinamento, consulta nosso guia detalhado sobre métricas de desempenho.
Analisando os resultados#
Depois de concluíres as sessões de treino do YOLO26, podes utilizar as ferramentas de visualização do DVCLive para analisar os resultados. Como a integração regista todas as métricas de treino, podes avaliar o desempenho do teu modelo entre execuções.
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 apresenta uma visão 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 usado e a métrica mAP50-95(B). Essa métrica é essencial para avaliar a precisão do modelo, e valores mais altos indicam um desempenho melhor.
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 as épocas, o tamanho da imagem, o tipo de modelo e as pontuações mAP50-95(B) correspondentes, 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 explicou como integrar o DVCLive com o Ultralytics YOLO26, desde a configuração até à monitorização, visualização e análise das experiências.
Para obter mais detalhes sobre o uso, visite a documentação oficial do DVCLive.
Perguntas frequentes#
Integrar o DVCLive ao Ultralytics YOLO26 é simples. Comece instalando os pacotes necessários:
Instalaçãopip install ultralytics dvcliveEm seguida, inicialize um repositório Git e configure o DVCLive no seu projeto:
Configuração inicial do ambientegit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"Siga nosso guia de instalação do YOLO26 para ver instruções detalhadas de configuração.
Usar o DVCLive com YOLO26 oferece várias vantagens, como:
- Registro automatizado: o DVCLive registra automaticamente detalhes importantes dos experimentos, como parâmetros e métricas do modelo.
- Comparação fácil: facilita a comparação dos resultados entre diferentes execuções.
- Ferramentas de visualização: Utiliza as capacidades de visualização de dados do DVCLive para realizar análises aprofundadas.
Para obter mais detalhes, consulte nossos guias sobre treinamento de modelos YOLO26 e métricas de desempenho do YOLO para maximizar a eficiência do acompanhamento dos seus experimentos.
Após concluir as sessões de treinamento do YOLO26, o DVCLive ajuda a visualizar e analisar os resultados com eficácia. Exemplo de código para carregar e exibir dados do experimento:
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)Para visualizar os resultados de forma interativa, use o gráfico de coordenadas paralelas do Plotly:
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()Consulte nosso guia sobre treinamento do YOLO26 com DVCLive para ver mais exemplos e práticas recomendadas.
Para configurar seu ambiente e integrar o DVCLive e o YOLO26 sem problemas, siga estas etapas:
- Instale os pacotes necessários: use
pip install ultralytics dvclive. - Inicialize o repositório Git: execute
git init -q. - Inicialize o DVC: execute
dvc init -q. - Faça commit no Git: use
git commit -m "DVC init".
Estes passos garantem o controlo de versões e a configuração adequados para acompanhar as experiências.
- Instale os pacotes necessários: use
O DVCLive oferece ferramentas para visualizar os resultados das experiências com YOLO26. Eis como podes gerar gráficos comparativos:
Gerar gráficos comparativosdvc plots diff $(dvc exp list --names-only)Para exibir esses gráficos em um Jupyter Notebook, use:
from IPython.display import HTML # Exiba os gráficos como HTML HTML(filename="./dvc_plots/index.html")Estas visualizações ajudam a identificar tendências e a otimizar o desempenho dos modelos.
Comentários5
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
UltralyticsAssistantUltralytics
👋 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
ultralyticspackage by upgrading in your setup:pip install -U ultralyticsThe 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:
- Notebooks with free GPU:
- Cloud Platforms like Google Cloud, AWS, or with a Docker setup
.
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! ✨
liggr
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?
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-onlyafter training. For setup details, refer to the DVCLive integration guide.
- Notebooks with free GPU:
liggr
Can this DVC be integrated with the YOLOV8 model?
Glenn JocherUltralyticsYes, DVC can be integrated with YOLOv8 for experiment tracking. The process is similar to the YOLO11 integration shown in our documentation. For YOLOv8-specific implementation details, see our guide at https://docs.ultralytics.com/integrations/dvc/ which applies to all YOLO versions.