Продвинутое отслеживание экспериментов YOLO26 с помощью DVCLive#

Отслеживание экспериментов в machine learning имеет решающее значение для разработки и оценки моделей. Оно включает в себя запись и анализ различных параметров, метрик и результатов множества тренировочных запусков. Этот процесс необходим для понимания производительности модели и принятия решений на основе данных для ее доработки и оптимизации.

Интеграция DVCLive с Ultralytics YOLO26 меняет подход к отслеживанию экспериментов и управлению ими. Эта интеграция предлагает удобное решение для автоматического логирования ключевых деталей эксперимента, сравнения результатов разных запусков и визуализации данных для глубокого анализа. В этом руководстве мы разберемся, как использовать DVCLive для оптимизации этого процесса.

DVCLive#

DVCLive, разработанный DVC, — это инновационный инструмент с открытым исходным кодом для отслеживания экспериментов в машинном обучении. Бесшовно интегрируясь с Git и DVC, он автоматизирует логирование важнейших данных эксперимента, таких как параметры модели и метрики обучения. Созданный для максимального удобства, DVCLive позволяет легко сравнивать и анализировать несколько запусков, повышая эффективность проектов машинного обучения с помощью интуитивно понятных инструментов data visualization и анализа.

Обучение YOLO26 с помощью DVCLive#

Сессии обучения YOLO26 можно эффективно отслеживать с помощью DVCLive. Кроме того, DVC предоставляет встроенные функции для визуализации этих экспериментов, включая создание отчета, который позволяет сравнивать графики метрик по всем отслеживаемым экспериментам, предоставляя полное представление о процессе обучения.

Установка#

Чтобы установить необходимые пакеты, выполни:

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

Для получения подробных инструкций и рекомендаций по процессу установки обязательно изучи наше YOLO26 Installation guide. Если при установке необходимых пакетов для YOLO26 у тебя возникнут трудности, обратись к нашему Common Issues guide за решениями и советами.

Настройка DVCLive#

После того как ты установишь необходимые пакеты, следующим шагом будет настройка твоей среды с требуемыми учетными данными. Эта настройка обеспечивает бесшовную интеграцию DVCLive в твой существующий рабочий процесс.

Начни с инициализации репозитория Git, так как Git играет решающую роль в контроле версий как для твоего кода, так и для 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 убедись, что заменил 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 погружаться в инструкции по использованию, обязательно ознакомься с ассортиментом моделей YOLO26, предлагаемых Ultralytics. Это поможет тебе выбрать наиболее подходящую модель под требования твоего проекта.

Обучение моделей YOLO26 с помощью DVCLive#

Начни с запуска своих сессий обучения YOLO26. Ты можешь использовать различные конфигурации моделей и параметры обучения в соответствии с потребностями твоего 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 конкретными требованиями. Подробное описание процесса обучения модели и рекомендации можно найти в нашем руководстве по обучению моделей YOLO26.

Отслеживание экспериментов с помощью DVCLive#

DVCLive улучшает процесс обучения, позволяя отслеживать и визуализировать ключевые метрики. При установке Ultralytics YOLO26 автоматически интегрируется с DVCLive для отслеживания экспериментов, результаты которого ты сможешь проанализировать позже для получения информации о производительности. Для полного понимания конкретных метрик производительности, используемых во время обучения, обязательно изучи наше подробное руководство по метрикам производительности.

Анализ результатов#

После завершения сессий обучения YOLO26 ты сможешь использовать мощные инструменты визуализации DVCLive для углубленного анализа результатов. Интеграция DVCLive гарантирует, что все метрики обучения будут систематически регистрироваться, способствуя всесторонней оценке производительности твоей модели.

Чтобы начать анализ, ты можешь извлечь данные эксперимента с помощью API DVC и обработать их с помощью 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 выполнения приведенного выше фрагмента кода дает четкое табличное представление различных экспериментов, проведенных с моделями YOLO26. Каждая строка представляет собой отдельный тренировочный запуск, в котором подробно указаны название эксперимента, количество эпох, размер изображения (imgsz), используемая модель и метрика mAP50-95(B). Эта метрика имеет решающее значение для оценки accuracy модели, причем более высокие значения указывают на лучшую производительность.

Визуализация результатов с помощью Plotly#

Для более интерактивного и наглядного анализа результатов своих экспериментов ты можешь использовать график параллельных координат Plotly. Этот тип графика 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()

Вывод приведенного выше фрагмента кода генерирует график, который наглядно отображает взаимосвязи между эпохами, размером изображения, типом модели и соответствующими показателями mAP50-95(B), позволяя тебе заметить тренды и закономерности в данных твоего эксперимента.

Создание сравнительных визуализаций с помощью DVC#

DVC предоставляет полезную команду для создания сравнительных графиков для твоих экспериментов. Это может быть особенно полезно для сравнения производительности разных моделей в ходе различных запусков обучения.

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

После выполнения этой команды DVC генерирует графики, сравнивающие метрики по разным экспериментам, которые сохраняются в виде HTML-файлов. Ниже приведен пример изображения, иллюстрирующего типичные графики, создаваемые этим процессом. На изображении представлены различные графики, в том числе отражающие mAP, recall, precision, значения потерь и многое другое, обеспечивая наглядный обзор ключевых метрик производительности:

Отображение графиков DVC#

Если ты используешь Jupyter Notebook и хочешь отобразить сгенерированные графики DVC, ты можешь воспользоваться функциональностью отображения IPython.

from IPython.display import HTML

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

Этот код отобразит HTML-файл, содержащий графики DVC, прямо в твоем Jupyter Notebook, предоставляя простой и удобный способ анализа визуализированных данных эксперимента.

Принятие решений на основе данных#

Используй выводы, полученные на основе этих визуализаций, чтобы принимать обоснованные решения об оптимизации модели, hyperparameter tuning и других изменениях для повышения производительности твоей модели.

Итерация экспериментов#

Основываясь на своем анализе, проводи итерации экспериментов. Настраивай конфигурации моделей, параметры обучения или даже входные данные и повторяй процесс обучения и анализа. Этот итеративный подход является ключом к доработке твоей модели для достижения наилучшей производительности.

Резюме#

Это руководство провело тебя через процесс интеграции DVCLive с YOLO26 от Ultralytics. Ты узнал, как использовать возможности DVCLive для детального мониторинга экспериментов, эффективной визуализации и глубокого анализа в своих начинаниях в области машинного обучения.

Для получения дополнительной информации об использовании посети официальную документацию DVCLive.

Кроме того, изучи другие интеграции и возможности Ultralytics на странице руководства по интеграции Ultralytics, которая представляет собой сборник полезных ресурсов и идей.

FAQ#