Расширенное отслеживание экспериментов YOLO26 с DVCLive#

Отслеживание экспериментов в машинном обучении — важная часть разработки и оценки моделей. Оно включает запись и анализ различных параметров, метрик и результатов многочисленных запусков обучения. Этот процесс необходим для понимания производительности модели и принятия решений на основе данных, которые помогают дорабатывать и оптимизировать модели.

Интеграция DVCLive с Ultralytics YOLO26 меняет подход к отслеживанию экспериментов и управлению ими. Благодаря интеграции ключевые сведения об экспериментах автоматически записываются, результаты разных запусков можно сравнивать, а данные — визуализировать для углубленного анализа. В этом руководстве мы разберемся, как DVCLive помогает упростить этот процесс.

DVCLive#

DVCLive, разработанный DVC, — это инновационный инструмент с открытым исходным кодом для отслеживания экспериментов в машинном обучении. Благодаря простой интеграции с Git и DVC он автоматически записывает важные данные экспериментов, например параметры модели и метрики обучения. DVCLive разработан с упором на простоту и позволяет без труда сравнивать и анализировать несколько запусков, повышая эффективность проектов машинного обучения благодаря интуитивно понятным инструментам визуализации данных и анализа.

Обучение YOLO26 с DVCLive#

С помощью DVCLive можно эффективно отслеживать ход обучения YOLO26. Кроме того, DVC предоставляет встроенные средства визуализации этих экспериментов, в том числе формирует отчет для сравнения графиков метрик по всем отслеживаемым экспериментам. Это позволяет получить целостное представление о процессе обучения.

Установка#

Чтобы установить необходимые пакеты, выполни команду:

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

Подробные инструкции и рекомендации по установке смотри в нашем руководстве по установке YOLO26. Если при установке необходимых пакетов для YOLO26 возникнут трудности, решения и советы найдёшь в нашем руководстве по распространённым проблемам.

Настройка DVCLive#

Установив необходимые пакеты, настрой окружение и укажи требуемые учетные данные. Это обеспечит бесперебойную интеграцию DVCLive в существующий рабочий процесс.

Сначала создай репозиторий Git, поскольку Git играет важную роль в управлении версиями как кода, так и конфигураций 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"

В этих командах замени your-email на адрес электронной почты, связанный с твоей учетной записью Git, а "Your Name" — на имя пользователя твоей учетной записи Git.

Использование#

Прежде чем перейти к инструкциям по использованию, ознакомься с линейкой моделей YOLO26 от Ultralytics. Это поможет выбрать модель, которая лучше всего подходит для требований твоего проекта.

Обучение моделей YOLO26 с DVCLive#

Для начала запусти обучение YOLO26. Ты можешь выбрать конфигурации моделей и параметры обучения в соответствии с требованиями проекта. Например:

# 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

Настрой параметры модели, набора данных, числа эпох и imgsz в соответствии со своими требованиями. Подробное описание процесса обучения модели и рекомендаций см. в нашем руководстве по обучению моделей YOLO26.

Отслеживание экспериментов с DVCLive#

DVCLive улучшает процесс обучения, позволяя отслеживать и визуализировать ключевые метрики. После установки Ultralytics YOLO26 автоматически интегрируется с DVCLive для отслеживания экспериментов, которые позже можно анализировать, чтобы получить представление о производительности. Чтобы подробно разобраться в конкретных метриках производительности, используемых во время обучения, изучи наше подробное руководство по метрикам производительности.

Анализ результатов#

После завершения обучения YOLO26 можно использовать мощные инструменты визуализации DVCLive для подробного анализа результатов. Благодаря интеграции с DVCLive все метрики обучения систематически записываются, что упрощает всестороннюю оценку производительности модели.

Для начала анализа извлеки данные экспериментов с помощью API DVC и обработай их в Pandas, чтобы упростить работу с ними и визуализацию:

import dvc.api
import pandas as pd

# Определи интересующие столбцы
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Получи данные экспериментов
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Очисти данные
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Выведи DataFrame
print(df)

Результат выполнения приведённого выше фрагмента кода — наглядная таблица с данными о различных экспериментах с моделями YOLO26. Каждая строка соответствует отдельному запуску обучения и содержит название эксперимента, количество эпох, размер изображения (imgsz), использованную модель и метрику mAP50-95(B). Эта метрика важна для оценки точности модели: чем выше значение, тем лучше производительность.

Визуализация результатов с помощью Plotly#

Для более наглядного интерактивного анализа результатов экспериментов можно использовать график параллельных координат в Plotly. Такой график особенно полезен для понимания взаимосвязей и компромиссов между различными параметрами и метриками.

from plotly.express import parallel_coordinates

# Построй график параллельных координат
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Отобрази график
fig.show()

В результате выполнения приведённого выше фрагмента кода будет построен график, наглядно показывающий взаимосвязи между количеством эпох, размером изображения, типом модели и соответствующими значениями mAP50-95(B). Это поможет выявить тенденции и закономерности в данных экспериментов.

Создание сравнительных визуализаций с помощью DVC#

В DVC есть удобная команда для создания сравнительных графиков экспериментов. Она особенно полезна для сравнения производительности разных моделей в различных запусках обучения.

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

После выполнения этой команды DVC создаёт графики для сравнения метрик между разными экспериментами и сохраняет их в виде HTML-файлов. Ниже приведён пример изображения с типичными графиками, созданными таким способом. На изображении представлены различные графики, в том числе графики mAP, полноты, точности, значений функции потерь и других показателей. Они наглядно демонстрируют ключевые метрики производительности:

Отображение графиков DVC#

Если ты работаешь в Jupyter Notebook и хочешь отобразить построенные графики DVC, воспользуйся функцией отображения IPython.

from IPython.display import HTML

# Отобрази графики DVC в формате HTML
HTML(filename="./dvc_plots/index.html")

Этот код выведет HTML-файл с графиками DVC прямо в Jupyter Notebook, чтобы тебе было удобнее анализировать визуализированные данные экспериментов.

Принятие решений на основе данных#

Используй выводы, полученные благодаря этим визуализациям, чтобы принимать обоснованные решения по оптимизации модели, настройке гиперпараметров и другим изменениям, повышающим производительность модели.

Повторение экспериментов#

На основе результатов анализа повторяй эксперименты. Меняй конфигурации модели, параметры обучения или даже входные данные, а затем заново выполняй обучение и анализ. Такой итеративный подход необходим, чтобы улучшить модель и добиться наилучшей производительности.

Итоги#

В этом руководстве ты узнал, как интегрировать DVCLive с YOLO26 от Ultralytics. Ты научился использовать возможности DVCLive для подробного мониторинга экспериментов, эффективной визуализации и анализа результатов в задачах машинного обучения.

Подробнее о работе с DVCLive читай в официальной документации DVCLive.

Также изучи другие интеграции и возможности Ultralytics на странице руководства по интеграциям Ultralytics, где собраны полезные материалы и рекомендации.

Часто задаваемые вопросы#