Theo dõi thí nghiệm YOLO26 nâng cao với DVCLive#

Theo dõi thí nghiệm trong học máy là yếu tố quan trọng đối với việc phát triển và đánh giá model. Quy trình này bao gồm việc ghi lại và phân tích nhiều tham số, metric và kết quả từ многочисные lần chạy training. Đây là quy trình thiết yếu để hiểu hiệu suất của model và đưa ra các quyết định dựa trên dữ liệu nhằm tinh chỉnh, tối ưu hóa model.

Việc tích hợp DVCLive với Ultralytics YOLO26 thay đổi cách theo dõi và quản lý các thí nghiệm. Tích hợp này cung cấp một giải pháp liền mạch để tự động ghi log các chi tiết thí nghiệm quan trọng, so sánh kết quả giữa các lần chạy khác nhau và trực quan hóa dữ liệu để phân tích chuyên sâu. Trong hướng dẫn này, chúng ta sẽ tìm hiểu cách DVCLive có thể đơn giản hóa quy trình.

DVCLive#

DVCLive, được phát triển bởi DVC, là một công cụ mã nguồn mở tiên tiến để theo dõi thí nghiệm trong học máy. Tích hợp liền mạch với Git và DVC, công cụ này tự động ghi log các dữ liệu thí nghiệm quan trọng như tham số của model và metric training. Được thiết kế nhằm đơn giản hóa quy trình, DVCLive cho phép dễ dàng so sánh và phân tích nhiều lần chạy, nâng cao hiệu quả của các dự án học máy bằng các công cụ trực quan hóa dữ liệu và phân tích trực quan.

Training YOLO26 với DVCLive#

Các phiên training YOLO26 có thể được giám sát hiệu quả bằng DVCLive. Ngoài ra, DVC cung cấp các tính năng tích hợp để trực quan hóa những thí nghiệm này, bao gồm việc tạo báo cáo cho phép so sánh các biểu đồ metric trên tất cả thí nghiệm được theo dõi, mang đến cái nhìn toàn diện về quy trình training.

Cài đặt#

Để cài đặt các package bắt buộc, hãy chạy:

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

Để xem hướng dẫn chi tiết và các best practice liên quan đến quy trình cài đặt, hãy tham khảo hướng dẫn Cài đặt YOLO26. Nếu gặp khó khăn khi cài đặt các package bắt buộc cho YOLO26, hãy tham khảo hướng dẫn Các vấn đề thường gặp để tìm giải pháp và mẹo xử lý.

Cấu hình DVCLive#

Sau khi cài đặt các package cần thiết, bước tiếp theo là thiết lập và cấu hình môi trường với các thông tin xác thực bắt buộc. Thiết lập này đảm bảo DVCLive được tích hợp thuận lợi vào workflow hiện có của bạn.

Bắt đầu bằng cách khởi tạo một repository Git, vì Git đóng vai trò quan trọng trong việc kiểm soát phiên bản cho cả code và cấu hình 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"

Trong các lệnh này, hãy đảm bảo thay your-email bằng địa chỉ email liên kết với tài khoản Git của bạn, và thay "Your Name" bằng username tài khoản Git của bạn.

Cách sử dụng#

Trước khi bắt đầu xem hướng dẫn sử dụng, hãy tham khảo danh sách các model YOLO26 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn model phù hợp nhất với yêu cầu của project.

Training model YOLO26 với DVCLive#

Bắt đầu bằng cách chạy các phiên training YOLO26. Bạn có thể sử dụng các cấu hình model và tham số training khác nhau để phù hợp với nhu cầu dự án. Ví dụ:

# 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

Điều chỉnh các tham số model, data, epochs và imgsz theo yêu cầu cụ thể của bạn. Để hiểu chi tiết quy trình training model và các best practice, hãy tham khảo hướng dẫn Training Model YOLO26 của chúng tôi.

Giám sát thí nghiệm với DVCLive#

DVCLive cải thiện quy trình training bằng cách cho phép theo dõi và trực quan hóa các metric quan trọng. Khi được cài đặt, Ultralytics YOLO26 sẽ tự động tích hợp với DVCLive để theo dõi thí nghiệm, sau đó bạn có thể phân tích các thí nghiệm này nhằm rút ra insight về hiệu suất. Để hiểu toàn diện các metric hiệu suất cụ thể được sử dụng trong quá trình training, hãy xem hướng dẫn chi tiết về metric hiệu suất của chúng tôi.

Phân tích kết quả#

Sau khi hoàn tất các phiên training YOLO26, bạn có thể tận dụng các công cụ trực quan hóa mạnh mẽ của DVCLive để phân tích chuyên sâu kết quả. Tích hợp của DVCLive đảm bảo mọi metric training được ghi log có hệ thống, hỗ trợ đánh giá toàn diện hiệu suất của model.

Để bắt đầu phân tích, bạn có thể trích xuất dữ liệu thí nghiệm bằng API của DVC và xử lý dữ liệu bằng pandas để dễ thao tác và trực quan hóa hơn:

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)

Output của đoạn code trên cung cấp dạng xem bảng rõ ràng về các thí nghiệm khác nhau được thực hiện với các model YOLO26. Mỗi hàng đại diện cho một lần chạy training khác nhau, nêu chi tiết tên thí nghiệm, số epochs, kích thước ảnh (imgsz), model cụ thể được sử dụng và metric mAP50-95(B). Metric này rất quan trọng để đánh giá độ chính xác của model; các giá trị cao hơn cho thấy hiệu suất tốt hơn.

Trực quan hóa kết quả bằng Plotly#

Để phân tích kết quả thí nghiệm trực quan và tương tác hơn, bạn có thể sử dụng biểu đồ tọa độ song song của Plotly. Loại biểu đồ này đặc biệt hữu ích để tìm hiểu mối quan hệ và sự đánh đổi giữa các tham số và metric khác nhau.

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()

Output của đoạn code trên tạo ra một biểu đồ trực quan thể hiện mối quan hệ giữa epochs, kích thước ảnh, loại model và điểm mAP50-95(B) tương ứng, giúp bạn nhận diện xu hướng và quy luật trong dữ liệu thí nghiệm.

Tạo trực quan hóa so sánh với DVC#

DVC cung cấp một lệnh hữu ích để tạo các biểu đồ so sánh cho thí nghiệm. Điều này đặc biệt hữu ích khi so sánh hiệu suất của các model khác nhau qua nhiều lần chạy training.

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

Sau khi thực thi lệnh này, DVC tạo các biểu đồ so sánh metric giữa những thí nghiệm khác nhau và lưu chúng dưới dạng file HTML. Bên dưới là một hình ảnh ví dụ minh họa các biểu đồ điển hình được tạo bởi quy trình này. Hình ảnh hiển thị nhiều đồ thị, bao gồm các đồ thị thể hiện mAP, recall, precision, các giá trị loss và nhiều metric khác, cung cấp cái nhìn tổng quan trực quan về các metric hiệu suất quan trọng:

Hiển thị biểu đồ DVC#

Nếu đang sử dụng Jupyter Notebook và muốn hiển thị các biểu đồ DVC đã tạo, bạn có thể sử dụng chức năng hiển thị của IPython.

from IPython.display import HTML

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

Đoạn code này sẽ render file HTML chứa các biểu đồ DVC trực tiếp trong Jupyter Notebook, mang đến một cách dễ dàng và thuận tiện để phân tích dữ liệu thí nghiệm đã được trực quan hóa.

Đưa ra quyết định dựa trên dữ liệu#

Sử dụng insight thu được từ các hình ảnh trực quan hóa này để đưa ra quyết định sáng suốt về việc tối ưu hóa model, tinh chỉnh hyperparameter và các điều chỉnh khác nhằm nâng cao hiệu suất model.

Lặp lại các thí nghiệm#

Dựa trên kết quả phân tích, hãy lặp lại các thí nghiệm. Điều chỉnh cấu hình model, tham số training hoặc thậm chí cả input data, rồi lặp lại quy trình training và phân tích. Phương pháp lặp này đóng vai trò then chốt trong việc tinh chỉnh model để đạt hiệu suất tốt nhất có thể.

Tóm tắt#

Hướng dẫn này đã trình bày quy trình tích hợp DVCLive với YOLO26 của Ultralytics. Bạn đã tìm hiểu cách khai thác sức mạnh của DVCLive để giám sát thí nghiệm chi tiết, trực quan hóa hiệu quả và phân tích chuyên sâu trong các dự án học máy.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của DVCLive.

Ngoài ra, hãy khám phá thêm các tích hợp và khả năng của Ultralytics bằng cách truy cập trang hướng dẫn tích hợp của Ultralytics, nơi tập hợp nhiều tài nguyên và insight hữu ích.

FAQ#