Theo dõi thử nghiệm YOLO26 nâng cao với DVCLive#

Theo dõi thử nghiệm trong machine learning là khâu quan trọng trong quá trình phát triển và đánh giá model. Việc này bao gồm ghi lại và phân tích nhiều tham số, metric và kết quả từ các lần chạy huấn luyện. Quy trình này rất cần thiết để hiểu hiệu năng của model và đưa ra quyết định dựa trên dữ liệu nhằm cải tiến và tối ưu hóa model.

Tích hợp DVCLive với Ultralytics YOLO26 giúp thay đổi cách theo dõi và quản lý thử nghiệm. Tích hợp này cung cấp giải pháp liền mạch để tự động ghi lại các chi tiết quan trọng của thử nghiệm, 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 giúp tinh gọn quy trình.

DVCLive#

DVCLive, do DVC phát triển, là công cụ mã nguồn mở tiên tiến để theo dõi thử nghiệm trong machine learning. Tích hợp liền mạch với Git và DVC, công cụ tự động ghi lại dữ liệu thử nghiệm quan trọng như tham số model và metric huấn luyện. Được thiết kế đơn giản, DVCLive giúp dễ dàng so sánh và phân tích nhiều lần chạy, nâng cao hiệu quả của các dự án machine learning nhờ các công cụ trực quan hóa dữ liệu và phân tích trực quan.

Huấn luyện YOLO26 với DVCLive#

Các phiên huấn luyện 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 thử nghiệm này, bao gồm tạo báo cáo cho phép so sánh biểu đồ metric giữa tất cả thử nghiệm được theo dõi, qua đó cung cấp cái nhìn toàn diện về quy trình huấn luyện.

Cài đặt#

Để cài đặt các package cần thiết, hãy chạy:

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

Để xem hướng dẫn chi tiết và các phương pháp tối ưu liên quan đến quá trình cài đặt, hãy tham khảo hướng dẫn cài đặt YOLO26. Nếu gặp khó khăn khi cài đặt các package cần thiết cho YOLO26, hãy xem hướng dẫn về 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 thông tin xác thực cần thiết. Việc thiết lập này đảm bảo DVCLive tích hợp liền mạch vào workflow hiện có của bạn.

Bắt đầu bằng cách khởi tạo 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 DVC in your project
dvc init -q

# Commit the DVC setup to your Git repository
git commit -m "DVC init"

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

Cách sử dụng#

Trước khi tìm hiểu hướng dẫn sử dụng, hãy xem qua các model YOLO26 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn model phù hợp nhất với yêu cầu dự án.

Huấn luyện model YOLO26 với DVCLive#

Bắt đầu bằng cách chạy các phiên huấn luyện YOLO26. Bạn có thể sử dụng các cấu hình model và tham số huấn luyện khác nhau để đáp ứng 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 huấn luyện model và các phương pháp tốt nhất, hãy tham khảo hướng dẫn Huấn luyện Model YOLO26 của chúng tôi.

Giám sát thử nghiệm bằng DVCLive#

DVCLive cải thiện quy trình huấn luyện bằng cách cho phép theo dõi và trực quan hóa các chỉ số quan trọng. Khi được cài đặt, Ultralytics YOLO26 tự động tích hợp với DVCLive để theo dõi thí nghiệm; sau đó, bạn có thể phân tích dữ liệu này để thu thập thông tin chi tiết về hiệu suất. Để hiểu toàn diện các chỉ số hiệu suất cụ thể được sử dụng trong quá trình huấn luyện, hãy xem hướng dẫn chi tiết của chúng tôi về các chỉ số hiệu suất.

Phân tích kết quả#

Sau khi hoàn tất các phiên huấn luyện YOLO26, bạn có thể tận dụng các công cụ trực quan hóa mạnh mẽ của DVCLive để phân tích kết quả chuyên sâu. Tích hợp với DVCLive đảm bảo tất cả chỉ số huấn luyện được ghi lại một cách có hệ thống, hỗ trợ đánh giá toàn diện hiệu suất 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

# Xác định các cột cần quan tâm
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Truy xuất dữ liệu thí nghiệm
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Làm sạch dữ liệu
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Hiển thị DataFrame
print(df)

Kết quả của đoạn mã trên cung cấp cái nhìn tổng quan dạng bảng rõ ràng về các thí nghiệm khác nhau được thực hiện với model YOLO26. Mỗi hàng biểu thị một lần chạy huấn luyện, kèm theo tên thí nghiệm, số epoch, kích thước ảnh (imgsz), model cụ thể được sử dụng và chỉ số mAP50-95(B). Chỉ số này rất quan trọng để đánh giá độ chính xác của model; giá trị càng cao cho thấy hiệu suất càng tốt.

Trực quan hóa kết quả bằng Plotly#

Để phân tích kết quả thí nghiệm một cách 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 chỉ số khác nhau.

from plotly.express import parallel_coordinates

# Tạo biểu đồ tọa độ song song
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Hiển thị biểu đồ
fig.show()

Đầu ra của đoạn mã trên tạo ra một biểu đồ trực quan hóa mối quan hệ giữa số epoch, kích thước ảnh, loại model và điểm mAP50-95(B) tương ứng, giúp bạn nhận ra xu hướng và quy luật trong dữ liệu thí nghiệm.

Tạo hình ảnh trực quan để so sánh bằng DVC#

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

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

Sau khi chạy lệnh này, DVC tạo các biểu đồ so sánh chỉ số giữa những thí nghiệm khác nhau và lưu dưới dạng tệp HTML. Dưới đây là hình ảnh ví dụ minh họa các biểu đồ thường được tạo bằng quy trình này. Hình ảnh thể hiện nhiều loại biểu đồ, bao gồm biểu đồ về mAP, recall, precision, giá trị loss và nhiều chỉ số khác, cung cấp cái nhìn tổng quan trực quan về các chỉ số 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 dùng chức năng hiển thị của IPython.

from IPython.display import HTML

# Hiển thị biểu đồ DVC dưới dạng HTML
HTML(filename="./dvc_plots/index.html")

Mã này sẽ hiển thị trực tiếp trong Jupyter Notebook tệp HTML chứa các biểu đồ DVC, giúp bạn phân tích dữ liệu thí nghiệm đã trực quan hóa một cách dễ dàng và thuận tiện.

Đưa ra quyết định dựa trên dữ liệu#

Hãy dùng thông tin thu được từ các hình ảnh trực quan này để đưa ra quyết định sáng suốt về việc tối ưu hóa model, điều chỉnh siêu tham số và các thay đổi khác nhằm cải thiện 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 huấn luyện hoặc thậm chí dữ liệu đầu vào, sau đó lặp lại quy trình huấn luyện và phân tích. Cách tiếp cận 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 tận dụng DVCLive để theo dõi thí nghiệm chi tiết, trực quan hóa hiệu quả và phân tích chuyên sâu trong các dự án machine learning.

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 tại trang hướng dẫn tích hợp của Ultralytics, nơi tập hợp nhiều tài nguyên và thông tin hữu ích.

Câu hỏi thường gặp#