Bắt đầu

Theo dõi thử nghiệm YOLO26 nâng cao với DVCLive

Theo dõi thí nghiệm trong machine learning đóng vai trò 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. Đây là quy trình thiết yếu để hiểu hiệu suất model và đưa ra quyết định dựa trên dữ liệu nhằm tinh chỉnh, tối ưu hóa model.

Tích hợp DVCLive với Ultralytics YOLO26 giúp tự động ghi log các chi tiết thí nghiệm quan trọng, so sánh kết quả giữa các lần chạy và trực quan hóa dữ liệu để phân tích chuyên sâu. Hướng dẫn này trình bày cách thiết lập và sử dụng tích hợp.

DVCLive#

DVCLive experiment tracking integration

DVCLive, do DVC phát triển, là công cụ mã nguồn mở để theo dõi thí nghiệm machine learning. Công cụ này hoạt động cùng Git và DVC để tự động ghi log dữ liệu thí nghiệm như tham số model và metric huấn luyện, đồng thời giúp dễ dàng so sánh và phân tích nhiều lần chạy bằng các công cụ trực quan hóa dữ liệu và phân tích.

Huấn luyện YOLO26 với DVCLive#

Có thể giám sát các phiên huấn luyện YOLO26 bằng DVCLive. DVC cũng cung cấp công cụ trực quan hóa các thí nghiệm này, bao gồm báo cáo so sánh biểu đồ metric trên tất cả thí nghiệm được theo dõi.

Cài đặt#

Để cài đặt các package cần thiết, hãy chạy:

Cài đặt
# 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, hãy thiết lập môi trường dự án để DVCLive có thể ghi lại thí nghiệm cùng với code 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.

Thiết lập môi trường ban đầu
# 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#

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 chính. Sau khi DVCLive được cài đặt, callback của DVCLive được bật theo mặc định. Công cụ này ghi lại các đối số huấn luyện, loss theo từng epoch, chỉ số validation và learning rate, biểu đồ huấn luyện và validation, ma trận nhầm lẫn, cùng best.pt dưới dạng artifact của model. Chạy yolo settings dvc=False để tắt tích hợp. 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 về các chỉ số hiệu suất của chúng tôi.

Phân tích kết quả#

Sau khi hoàn tất các phiên huấn luyện YOLO26, bạn có thể dùng công cụ trực quan hóa của DVCLive để phân tích kết quả. Vì tích hợp này ghi log tất cả metric huấn luyện, bạn có thể đánh giá hiệu suất model qua các lần chạy.

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 code trên cung cấp một bảng rõ ràng về các thí nghiệm khác nhau được thực hiện với các model YOLO26. Mỗi hàng thể hiện một lượt huấn luyện khác nhau, nêu 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 năng 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()

Kết quả của đoạn code trên tạo 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:

DVCLive training metrics comparison plots

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 cách tích hợp DVCLive với Ultralytics YOLO26, từ thiết lập đến giám sát thí nghiệm, trực quan hóa và phân tích.

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

Câu hỏi thường gặp#

  • Việc tích hợp DVCLive với Ultralytics YOLO26 rất đơn giản. Trước tiên, hãy cài đặt các package cần thiết:

    Cài đặt
    pip install ultralytics dvclive

    Tiếp theo, khởi tạo Git repository và cấu hình DVCLive trong project của bạn:

    Thiết lập môi trường ban đầu
    git init -q
    git config --local user.email "your-email"
    git config --local user.name "Your Name"
    dvc init -q
    git commit -m "DVC init"

    Tham khảo hướng dẫn cài đặt YOLO26 của chúng tôi để xem hướng dẫn thiết lập chi tiết.

  • Sử dụng DVCLive với YOLO26 mang lại một số lợi ích như:

    • Ghi log tự động: DVCLive tự động ghi lại các thông tin quan trọng của thí nghiệm, chẳng hạn như tham số và chỉ số của model.
    • Dễ dàng so sánh: Hỗ trợ so sánh kết quả giữa các lần chạy khác nhau.
    • Công cụ trực quan hóa: Sử dụng khả năng trực quan hóa dữ liệu của DVCLive để phân tích chuyên sâu.

    Để biết thêm chi tiết, hãy tham khảo hướng dẫn của chúng tôi về Huấn luyện model YOLO26 và Các chỉ số hiệu suất YOLO để tối đa hóa hiệu quả theo dõi thí nghiệm.

  • Sau khi hoàn tất các phiên huấn luyện YOLO26, DVCLive giúp trực quan hóa và phân tích kết quả hiệu quả. Ví dụ mã để tải và hiển thị dữ liệu thí nghiệm:

    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)

    Để trực quan hóa kết quả theo cách tương tác, hãy dùng biểu đồ tọa độ song song của Plotly:

    from plotly.express import parallel_coordinates
    
    fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
    fig.show()

    Tham khảo hướng dẫn của chúng tôi về Huấn luyện YOLO26 với DVCLive để xem thêm ví dụ và các phương pháp thực hành tốt nhất.

  • Để cấu hình môi trường giúp tích hợp DVCLive và YOLO26 diễn ra suôn sẻ, hãy làm theo các bước sau:

    1. Cài đặt các package cần thiết: Sử dụng pip install ultralytics dvclive.
    2. Khởi tạo Git Repository: Chạy git init -q.
    3. Khởi tạo DVC: Thực thi dvc init -q.
    4. Commit vào Git: Sử dụng git commit -m "DVC init".

    Các bước này đảm bảo thiết lập và kiểm soát phiên bản chính xác để theo dõi thí nghiệm.

  • DVCLive cung cấp công cụ trực quan hóa kết quả thí nghiệm YOLO26. Dưới đây là cách tạo biểu đồ so sánh:

    Tạo biểu đồ so sánh
    dvc plots diff $(dvc exp list --names-only)

    Để hiển thị các biểu đồ này trong Jupyter Notebook, hãy dùng:

    from IPython.display import HTML
    
    # Hiển thị biểu đồ dưới dạng HTML
    HTML(filename="./dvc_plots/index.html")

    Những hình ảnh trực quan này giúp xác định xu hướng và tối ưu hóa hiệu suất model.

Bình luận5

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!

    We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.

    If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.

    Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:

    Upgrade

    Make sure you're using the latest version of the ultralytics package by upgrading in your setup:

    pip install -U ultralytics

    The latest version ensures compatibility with integrations like DVCLive and other features.

    Supported Environments

    You can work seamlessly with YOLO and its integrations in the following environments:

    For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.

    An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨

    1. liggrGitHub

      Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?

    2. Glenn JocherUltralytics

      @liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with dvc exp list --names-only after training. For setup details, refer to the DVCLive integration guide.