使用 DVCLive 跟踪 YOLO26 高级实验#

在机器学习中，实验跟踪对模型开发和评估至关重要。它涉及记录并分析多次训练运行中的各种参数、指标和结果。这个过程对于了解模型性能以及依据数据做出决策以改进和优化模型至关重要。

将 DVCLive 与 Ultralytics YOLO26 集成，可以彻底改变实验跟踪和管理方式。这种集成提供了无缝解决方案，可自动记录关键实验详情、比较不同运行的结果，并将数据可视化以进行深入分析。本指南将介绍如何使用 DVCLive 简化这一流程。

DVCLive#

DVCLive 由 DVC 开发，是一款用于机器学习实验跟踪的创新开源工具。它与 Git 和 DVC 无缝集成，可自动记录模型参数和训练指标等重要实验数据。DVCLive 设计简单易用，让你可以轻松比较和分析多次运行，并通过直观的数据可视化和分析工具提升机器学习项目的效率。

使用 DVCLive 训练 YOLO26#

使用 DVCLive 可以有效监控 YOLO26 训练过程。此外，DVC 还提供了可视化这些实验的重要功能，包括生成报告，以便比较所有已跟踪实验的指标图，从而全面了解训练过程。

安装#

运行以下命令安装所需的软件包：

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

有关安装过程的详细说明和最佳实践，请务必查看我们的 YOLO26 安装指南。安装 YOLO26 所需的软件包时，如果遇到任何问题，请参阅我们的常见问题指南，获取解决方案和建议。

配置 DVCLive#

安装所需的软件包后，下一步是使用必要的凭据设置和配置环境。这样可以确保 DVCLive 顺利集成到现有工作流中。

首先初始化 Git 仓库，因为 Git 在管理代码和 DVCLive 配置的版本控制方面发挥着关键作用。

# 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"

在这些命令中，请确保将 your-email 替换为与你的 Git 账户关联的电子邮件地址，并将 "Your Name" 替换为你的 Git 账户用户名。

用法#

开始阅读使用说明前，请务必了解 Ultralytics 提供的 YOLO26 模型，以便根据项目需求选择最合适的模型。

使用 DVCLive 训练 YOLO26 模型#

首先运行 YOLO26 训练过程。你可以根据项目需求使用不同的模型配置和训练参数。例如：

# 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

根据你的具体需求调整模型、数据、epochs 和 imgsz 参数。如需详细了解模型训练流程和最佳实践，请参阅我们的 YOLO26 模型训练指南。

使用 DVCLive 监控实验#

DVCLive 通过支持关键指标的跟踪和可视化来优化训练流程。安装后，Ultralytics YOLO26 会自动集成 DVCLive 以跟踪实验，你之后可以分析这些数据，深入了解模型性能。如需全面了解训练期间使用的具体性能指标，请务必查看我们的性能指标详细指南。

分析结果#

YOLO26 训练完成后，你可以利用 DVCLive 强大的可视化工具深入分析结果。DVCLive 的集成可确保系统地记录所有训练指标，从而全面评估模型性能。

要开始分析，你可以使用 DVC 的 API 提取实验数据，并通过 Pandas 处理数据，以便更轻松地操作和可视化：

import dvc.api
import pandas as pd

# 定义关注的列
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# 检索实验数据
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# 清理数据
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# 显示 DataFrame
print(df)

上述代码片段的输出以清晰的表格形式展示了使用 YOLO26 模型进行的不同实验。每一行代表一次不同的训练运行，列出了实验名称、训练轮数、图像尺寸 (imgsz)、所用的具体模型以及 mAP50-95(B) 指标。这个指标对于评估模型的准确率至关重要，数值越高表示性能越好。

使用 Plotly 可视化结果#

若要以更具交互性的方式直观分析实验结果，你可以使用 Plotly 的平行坐标图。这类图表特别适合了解不同参数和指标之间的关系与权衡。

from plotly.express import parallel_coordinates

# 创建平行坐标图
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# 显示图表
fig.show()

上述代码片段的输出会生成一张图表，直观呈现训练轮数、图像尺寸、模型类型及其对应的 mAP50-95(B) 分数之间的关系，帮助你发现实验数据中的趋势和规律。

使用 DVC 生成对比可视化图表#

DVC 提供了一个实用命令，可为实验生成对比图表。这对于比较不同模型在多次训练运行中的表现尤其有帮助。

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

执行此命令后，DVC 会生成对比不同实验指标的图表，并将其保存为 HTML 文件。下面的示例图片展示了通过此流程生成的典型图表。图片包含多种图形，例如展示 mAP、召回率、精确率、损失值等指标的图表，直观呈现了关键性能指标：

显示 DVC 图表#

如果你使用 Jupyter Notebook 并想显示生成的 DVC 图表，可以使用 IPython 的显示功能。

from IPython.display import HTML

# 将 DVC 图表显示为 HTML
HTML(filename="./dvc_plots/index.html")

这段代码会直接在 Jupyter Notebook 中呈现包含 DVC 图表的 HTML 文件，方便你分析可视化后的实验数据。

基于数据做出决策#

利用这些可视化结果获得的洞察，明智地决定如何优化模型、进行超参数调优以及实施其他修改，从而提升模型性能。

迭代实验#

根据分析结果迭代实验。调整模型配置、训练参数，甚至输入数据，然后重复训练和分析流程。通过这种迭代方法，你可以不断改进模型，尽可能提升其性能。

总结#

本指南带你了解了将 DVCLive 集成到 Ultralytics YOLO26 的流程。你已经了解如何在机器学习工作中利用 DVCLive 的强大功能，详细监控实验、有效地可视化数据并深入分析结果。

如需了解更多用法详情，请访问 DVCLive 官方文档。

此外，访问 Ultralytics 集成指南页面，探索更多 Ultralytics 集成方案与功能。该页面汇集了丰富的资源和见解。

常见问题#