Расширенное отслеживание экспериментов YOLO26 с DVCLive#

Отслеживание экспериментов в области машинного обучения критически важно для 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 с целью доработки и оптимизации моделей.

Интеграция DVCLive с Ultralytics YOLO26 меняет подход к отслеживанию и управлению экспериментами. Это решение автоматически регистрирует ключевые сведения об экспериментах, позволяет сравнивать результаты разных запусков и визуализировать данные для углубленного анализа. В этом руководстве ты узнаешь, как использовать DVCLive для упрощения этого процесса.

DVCLive#

DVCLive, разработанный DVC, — это инновационный инструмент с открытым исходным кодом для отслеживания экспериментов в области машинного обучения. Он легко интегрируется с Git и DVC и автоматически регистрирует важные данные экспериментов, такие как параметры модели и метрики обучения. Благодаря простоте использования DVCLive позволяет без труда сравнивать и анализировать несколько запусков, повышая эффективность проектов машинного обучения с помощью интуитивно понятных инструментов визуализации данных и анализа.

Обучение YOLO26 с DVCLive#

Сеансы обучения YOLO26 можно эффективно отслеживать с помощью DVCLive. Кроме того, DVC предоставляет встроенные функции визуализации этих экспериментов, включая создание отчета для сравнения графиков метрик по всем отслеживаемым экспериментам, что дает целостное представление о процессе обучения.

Установка#

Чтобы установить необходимые пакеты, выполни:

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

Подробные инструкции и рекомендации по установке приведены в нашем руководстве по установке YOLO26. Если при установке необходимых пакетов для YOLO26 у тебя возникнут трудности, обратись к руководству по распространённым проблемам, где приведены решения и советы.

Настройка DVCLive#

После установки необходимых пакетов следующим шагом будет настройка среды и указание требуемых учетных данных. Это обеспечит плавную интеграцию DVCLive в твой текущий рабочий процесс.

Начни с инициализации репозитория Git, поскольку Git играет важную роль в контроле версий как твоего 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 DVCLive in your project
dvc init -q

# Commit the DVCLive 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 ассортиментом моделей YOLO26 от Ultralytics. Это поможет выбрать наиболее подходящую модель для требований твоего проекта.

Обучение моделей YOLO26 с DVCLive#

Начни с запуска сеансов обучения YOLO26. Ты можешь использовать разные конфигурации моделей и параметры обучения в соответствии с потребностями 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, данных, epochs и imgsz в соответствии со своими требованиями. Подробное описание процесса обучения модели и рекомендаций см. в нашем руководстве по обучению модели YOLO26.

Мониторинг экспериментов с DVCLive#

DVCLive совершенствует процесс обучения, позволяя отслеживать и визуализировать ключевые метрики. После установки Ultralytics YOLO26 автоматически интегрируется с DVCLive для отслеживания экспериментов, которые ты впоследствии сможешь анализировать для оценки производительности. Чтобы получить полное представление о конкретных метриках производительности, используемых во время обучения, изучи наше подробное руководство по метрикам производительности.

Анализ результатов#

После завершения сеансов обучения YOLO26 ты можешь использовать мощные инструменты визуализации DVCLive для углубленного анализа результатов. Интеграция с DVCLive обеспечивает систематическую регистрацию всех метрик обучения, что упрощает всестороннюю оценку производительности твоей модели.

Для начала анализа извлеки данные экспериментов с помощью API DVC и обработай их в pandas для более удобной работы и визуализации:

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)

Результат приведенного выше фрагмента кода предоставляет наглядное представление разных экспериментов с моделями YOLO26 в виде таблицы. 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: более высокие значения указывают на лучшую производительность.

Визуализация результатов с Plotly#

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

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()

Результат приведенного выше фрагмента кода создает график, на котором визуально представлены взаимосвязи между количеством эпох, размером изображения, типом модели и соответствующими значениями mAP50-95(B), что позволяет выявлять тенденции и закономерности в данных экспериментов.

Создание сравнительных визуализаций с помощью DVC#

DVC предоставляет удобную команду для создания сравнительных графиков экспериментов. Это особенно полезно 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 создает графики, сравнивающие метрики разных экспериментов, и сохраняет их в виде HTML-файлов. Ниже приведен пример изображения с типичными графиками, создаваемыми в этом процессе. На изображении представлены различные графики, в том числе графики mAP, полноты, точности, значений функции потерь и других показателей, что дает наглядное представление о ключевых метриках производительности:

Отображение графиков DVC#

Если ты используешь Jupyter Notebook и хочешь отобразить созданные графики DVC, можно воспользоваться функцией отображения IPython.

from IPython.display import HTML

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

Этот код отобразит HTML-файл с графиками DVC непосредственно в Jupyter Notebook, предоставляя удобный способ анализа визуализированных данных экспериментов.

Принятие решений на основе данных#

Используй сведения, полученные из этих визуализаций, для обоснованного принятия решений об оптимизации модели, настройке гиперпараметров и других изменениях, направленных на повышение производительности модели.

Итеративная работа с экспериментами#

На основе проведенного анализа повторяй эксперименты. Настраивай конфигурации модели, параметры обучения или даже входные данные, а затем повторяй процесс обучения и анализа. Такой итеративный подход крайне важен для доработки модели и достижения максимально возможной производительности.

Итоги#

В этом руководстве описан процесс интеграции DVCLive с YOLO26 от Ultralytics. Ты узнал, как использовать возможности DVCLive для подробного мониторинга экспериментов, эффективной визуализации и содержательного анализа в проектах машинного обучения.

Дополнительные сведения об использовании см. в официальной документации DVCLive.

Кроме того, изучи дополнительные интеграции и возможности Ultralytics на странице руководства по интеграциям Ultralytics, где собраны полезные ресурсы и рекомендации.

Часто задаваемые вопросы#