Saltar para o conteúdo

Acompanhamento avançado de experiências em YOLO11 com DVCLive

O controlo de experiências na aprendizagem automática é fundamental para o desenvolvimento e avaliação de modelos. Envolve o registo e a análise de vários parâmetros, métricas e resultados de várias execuções de treino. Este processo é essencial para compreender o desempenho do modelo e tomar decisões baseadas em dados para aperfeiçoar e otimizar os modelos.

A integração do DVCLive com o Ultralytics YOLO11 transforma a maneira como os experimentos são rastreados e gerenciados. Esta integração oferece uma solução perfeita para registar automaticamente os principais detalhes da experiência, comparar resultados entre diferentes execuções e visualizar dados para uma análise aprofundada. Neste guia, entenderemos como o DVCLive pode ser usado para agilizar o processo.

DVCLive

Visão geral do DVCLive

O DVCLive, desenvolvido pela DVC, é uma ferramenta inovadora de código aberto para o registo de experiências em aprendizagem automática. Integrando-se perfeitamente com o Git e o DVC, automatiza o registo de dados cruciais de experiências, como parâmetros de modelos e métricas de treino. Concebido para ser simples, o DVCLive permite a comparação e análise sem esforço de várias execuções, aumentando a eficiência dos projectos de aprendizagem automática com ferramentas intuitivas de visualização e análise de dados.

YOLO11 Formação com DVCLive

YOLO11 As sessões de treino podem ser monitorizadas eficazmente com o DVCLive. Além disso, o DVC fornece funcionalidades integrais para a visualização destas experiências, incluindo a geração de um relatório que permite a comparação de gráficos métricos em todas as experiências monitorizadas, oferecendo uma visão abrangente do processo de formação.

Instalação

Para instalar os pacotes necessários, execute:

Instalação

# Install the required packages for YOLO11 and DVCLive
pip install ultralytics dvclive

Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulte o nosso guia de instalaçãoYOLO11 . Ao instalar os pacotes necessários para YOLO11, se encontrar alguma dificuldade, consulte o nosso guia de Problemas comuns para obter soluções e dicas.

Configuração do DVCLive

Depois de ter instalado os pacotes necessários, o próximo passo é instalar e configurar o seu ambiente com as credenciais necessárias. Esta configuração garante uma integração suave do DVCLive no seu fluxo de trabalho existente.

Comece por inicializar um repositório Git, uma vez que o Git desempenha um papel crucial no controlo de versões tanto para o seu código como para as configurações do DVCLive.

Configuração inicial do ambiente

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "you@example.com"
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, certifique-se de que substitui "you@example.com" pelo endereço de correio eletrónico associado à sua conta Git e "Your Name" pelo nome de utilizador da sua conta Git.

Utilização

Antes de se debruçar sobre as instruções de utilização, não deixe de consultar a gama de modelosYOLO11 propostos por Ultralytics. Isto ajudá-lo-á a escolher o modelo mais adequado às necessidades do seu projeto.

Treinar YOLO11 Modelos com DVCLive

Comece por realizar as suas sessões de formação em YOLO11 . Pode utilizar diferentes configurações de modelos e parâmetros de formação para se adaptar às necessidades do seu projeto. Por exemplo:

# Example training commands for YOLO11 with varying configurations
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=640

Ajuste o modelo, os dados, as épocas e os parâmetros imgsz de acordo com os seus requisitos específicos. Para uma compreensão pormenorizada do processo de formação de modelos e das melhores práticas, consulte o nosso guiaYOLO11 Model Training.

Monitorização de experiências com DVCLive

O DVCLive melhora o processo de formação, permitindo o acompanhamento e a visualização das principais métricas. Quando instalado, o Ultralytics YOLO11 integra-se automaticamente com o DVCLive para o acompanhamento de experiências, que podem ser analisadas posteriormente para obter informações sobre o desempenho. Para obter uma compreensão abrangente das métricas de desempenho específicas usadas durante o treinamento, não deixe de explorar nosso guia detalhado sobre métricas de desempenho.

Análise de resultados

Após a conclusão das sessões de treinamento do YOLO11 , é possível aproveitar as poderosas ferramentas de visualização do DVCLive para uma análise aprofundada dos resultados. A integração do DVCLive garante que todas as métricas de treinamento sejam sistematicamente registradas, facilitando uma avaliação abrangente do desempenho do seu modelo.

Para iniciar a análise, pode extrair os dados da experiência utilizando a API do DVC e processá-los com o Pandas para facilitar o manuseamento e a 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)

A saída do trecho de código acima fornece uma visão tabular clara das diferentes experiências realizadas com os modelos YOLO11 . 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 crucial para avaliar a precisão do modelo, sendo que valores mais elevados indicam um melhor desempenho.

Visualização de resultados com Plotly

Para uma análise mais interactiva e visual dos resultados da sua experiência, pode utilizar o gráfico de coordenadas paralelas do Plotly. Este tipo de gráfico é particularmente 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 fragmento de código acima gera um gráfico que representa visualmente as relações entre épocas, tamanho da imagem, tipo de modelo e as respectivas pontuações mAP50-95(B), permitindo-lhe detetar tendências e padrões nos dados da sua experiência.

Geração de visualizações comparativas com DVC

O DVC fornece um comando útil para gerar gráficos comparativos para as suas experiências. 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)

Depois de executar este comando, o DVC gera gráficos que comparam as métricas em diferentes experiências, que são guardadas como ficheiros HTML. Abaixo está uma imagem de exemplo que ilustra os gráficos típicos gerados por esse processo. A imagem mostra vários gráficos, incluindo os que representam mAP, recall, precisão, valores de perda e outros, fornecendo uma visão geral das principais métricas de desempenho:

Parcelas do DVCLive

Exibir parcelas DVC

Se estiver a utilizar um Jupyter Notebook e quiser apresentar os gráficos DVC gerados, pode utilizar a funcionalidade de apresentação IPython.

from IPython.display import HTML

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

Este código irá renderizar o ficheiro HTML que contém os gráficos DVC diretamente no seu Jupyter Notebook, proporcionando uma forma fácil e conveniente de analisar os dados visualizados da experiência.

Tomar decisões baseadas em dados

Utilize as informações obtidas com estas visualizações para tomar decisões informadas sobre optimizações de modelos, afinação de hiperparâmetros e outras modificações para melhorar o desempenho do seu modelo.

Iteração em experiências

Com base na sua análise, repita as suas experiências. Ajuste as configurações do modelo, os parâmetros de treino ou mesmo as entradas de dados e repita o processo de treino e análise. Esta abordagem iterativa é fundamental para aperfeiçoar o seu modelo e obter o melhor desempenho possível.

Resumo

Este guia conduziu-o através do processo de integração do DVCLive com Ultralytics' YOLO11. Aprendeu a aproveitar o poder do DVCLive para monitorizar experiências detalhadas, visualizar eficazmente e fazer análises perspicazes nos seus esforços de aprendizagem automática.

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

Além disso, explore mais integrações e capacidades de Ultralytics visitando a página do guia de integraçãoUltralytics , que é uma coleção de excelentes recursos e informações.

FAQ

Como é que integro o DVCLive com Ultralytics YOLO11 para o acompanhamento de experiências?

A integração do DVCLive com Ultralytics YOLO11 é simples. Comece por instalar os pacotes necessários:

Instalação

pip install ultralytics dvclive

Em seguida, inicialize um repositório Git e configure o DVCLive no seu projeto:

Configuração inicial do ambiente

git init -q
git config --local user.email "you@example.com"
git config --local user.name "Your Name"
dvc init -q
git commit -m "DVC init"

Siga o nosso guia de instalaçãoYOLO11 para obter instruções de configuração pormenorizadas.

Por que razão devo utilizar o DVCLive para acompanhar as experiências YOLO11 ?

A utilização do DVCLive com YOLO11 oferece várias vantagens, tais como:

  • Registo automatizado: O DVCLive regista automaticamente os principais detalhes da experiência, como parâmetros e métricas do modelo.
  • Comparação fácil: Facilita a comparação de resultados em diferentes execuções.
  • Ferramentas de visualização: Aproveita as capacidades robustas de visualização de dados do DVCLive para uma análise aprofundada.

Para mais pormenores, consulte o nosso guia sobre YOLO11 Model Training e YOLO Performance Metrics para maximizar a eficiência do acompanhamento de experiências.

Como é que o DVCLive pode melhorar a minha análise de resultados para as sessões de treino em YOLO11 ?

Depois de concluir as suas sessões de formação em YOLO11 , o DVCLive ajuda a visualizar e analisar os resultados de forma eficaz. Exemplo de código para carregar e apresentar dados de experiências:

import dvc.api
import pandas as pd

# Define 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 data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display DataFrame
print(df)

Para visualizar os resultados de forma interactiva, utilize 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 o nosso guia em YOLO11 Training with DVCLive para obter mais exemplos e melhores práticas.

Quais são os passos para configurar o meu ambiente para a integração do DVCLive e YOLO11 ?

Para configurar o seu ambiente para uma integração suave do DVCLive e YOLO11, siga estes passos:

  1. Instalar os pacotes necessários: Utilizar pip install ultralytics dvclive.
  2. Inicializar o repositório Git: Executar git init -q.
  3. Configurar o DVCLive: Executar dvc init -q.
  4. Comprometer-se com o Git: Utilizar git commit -m "DVC init".

Estes passos asseguram o controlo de versões adequado e a configuração do acompanhamento de experiências. Para obter detalhes de configuração aprofundados, visite o nosso Guia de configuração.

Como é que visualizo os resultados da experiência YOLO11 utilizando o DVCLive?

O DVCLive oferece ferramentas poderosas para visualizar os resultados das experiências do YOLO11 . Veja como pode gerar gráficos comparativos:

Gerar gráficos comparativos

dvc plots diff $(dvc exp list --names-only)

Para exibir esses gráficos em um Jupyter Notebook, use:

from IPython.display import HTML

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

Estas visualizações ajudam a identificar tendências e a otimizar o desempenho do modelo. Consulte os nossos guias detalhados em YOLO11 Experiment Analysis para obter passos e exemplos abrangentes.

📅C riado há 1 ano ✏️ Atualizado há 2 meses

Comentários