Ultralytics YOLO27：

使用 DVCLive 进行高级 YOLO26 实验跟踪#

机器学习中的实验跟踪对于模型开发和评估至关重要。它涉及记录和分析大量训练运行中的各种参数、指标和结果。此过程对于了解模型性能以及做出数据驱动的决策来改进和优化模型至关重要。

将 DVCLive 与 Ultralytics YOLO26 集成后，可以改变实验跟踪和管理的方式。此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。在本指南中，你将了解如何使用 DVCLive 简化这一流程。

DVCLive#

DVCLive experiment tracking integration

DVCLive 由 DVC 开发，是一款创新的开源机器学习实验跟踪工具。它与 Git 和 DVC 无缝集成，可自动记录模型参数和训练指标等关键实验数据。DVCLive 以简单易用为设计目标，让你可以轻松比较和分析多次运行，并借助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#

你可以使用 DVCLive 有效监控 YOLO26 训练会话。此外，DVC 还提供了用于可视化这些实验的集成功能，包括生成报告，以便比较所有已跟踪实验中的指标图，从而全面了解训练过程。

安装#

要安装所需的软件包，请运行：

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

有关安装流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 所需软件包时，如果遇到任何困难，请参阅我们的常见问题指南以获取解决方案和提示。

配置 DVCLive#

安装必要的软件包后，下一步是使用所需凭据设置和配置环境。此设置可确保 DVCLive 顺利集成到你现有的工作流中。

首先初始化 Git 仓库，因为 Git 在代码和 DVCLive 配置的版本控制中都发挥着重要作用。

初始环境设置
# 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"

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

使用方法#

在开始阅读使用说明之前，请务必查看 Ultralytics 提供的 YOLO26 模型。这将帮助你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 训练会话。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

根据具体需求调整模型、数据、epochs 和 imgsz 参数。要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增强训练流程。安装后，Ultralytics YOLO26 会自动与 DVCLive 集成进行实验跟踪，之后你可以分析这些数据以了解性能。要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 训练会话完成后，你可以利用 DVCLive 强大的可视化工具对结果进行深入分析。DVCLive 的集成可确保系统记录所有训练指标，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，然后使用 Pandas 处理这些数据，以便更轻松地进行操作和可视化：

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)

上方代码片段的输出提供了使用 YOLO26 模型开展的不同实验的清晰表格视图。每一行代表一次不同的训练运行，详细列出了实验名称、epochs 数量、图像尺寸（imgsz）、所用的具体模型以及 mAP50-95(B) 指标。此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#

要以更具交互性和可视化的方式分析实验结果，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

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

上方代码片段的输出会生成一张图，直观展示 epochs、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模式。

使用 DVC 生成对比可视化结果#

DVC 提供了一个用于生成实验对比图的实用命令。这对于比较不同模型在多次训练运行中的性能尤其有帮助。

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

执行此命令后，DVC 会生成比较不同实验指标的图表，并将其保存为 HTML 文件。下面是展示此过程生成的典型图表的示例图片。图片展示了多种图形，包括表示 mAP、召回率、精确率、损失值等内容的图表，为关键性能指标提供直观概览：

DVCLive training metrics comparison plots

显示 DVC 图表#

如果你使用 Jupyter Notebook 并希望显示生成的 DVC 图表，可以使用 IPython 显示功能。

from IPython.display import HTML

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

此代码会直接在你的 Jupyter Notebook 中渲染包含 DVC 图表的 HTML 文件，为分析可视化的实验数据提供简单便捷的方式。

做出数据驱动的决策#

利用从这些可视化结果中获得的洞见，对模型优化、超参数调优以及其他改进模型性能的修改做出明智决策。

迭代实验#

根据分析结果迭代实验。调整模型配置、训练参数，甚至数据输入，然后重复训练和分析流程。这种迭代方法对于不断改进模型、实现尽可能出色的性能至关重要。

总结#

本指南介绍了将 DVCLive 与 Ultralytics 的 YOLO26 集成的流程。你已经了解了如何利用 DVCLive 在机器学习工作中进行详细的实验监控、有效的可视化和有洞察力的分析。

如需进一步了解使用详情，请访问 DVCLive 官方文档。

此外，请访问 Ultralytics 集成指南页面，进一步了解 Ultralytics 的其他集成和功能；该页面汇集了丰富的资源和洞见。

常见问题#

  • 将 DVCLive 与 Ultralytics YOLO26 集成非常简单。首先安装必要的软件包：

    安装
    pip install ultralytics dvclive

    接下来初始化 Git 仓库，并在项目中配置 DVCLive：

    初始环境设置
    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"

    请参阅我们的 YOLO26 安装指南以获取详细的设置说明。

  • 将 DVCLive 与 YOLO26 搭配使用具有多项优势，例如：

    • 自动记录：DVCLive 会自动记录模型参数和指标等关键实验详情。
    • 轻松比较：便于比较不同运行的结果。
    • 可视化工具：利用 DVCLive 强大的数据可视化功能进行深入分析。

    如需进一步了解详情，请参阅我们的 YOLO26 模型训练和 YOLO 性能指标指南，以最大限度提升实验跟踪效率。

  • 完成 YOLO26 训练会话后，DVCLive 可帮助你有效地可视化和分析结果。用于加载和显示实验数据的示例代码：

    import dvc.api
import pandas as pd

# Define 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 data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display DataFrame
print(df)

    要以交互方式可视化结果，请使用 Plotly 的平行坐标图：

    from plotly.express import parallel_coordinates

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

    如需更多示例和最佳实践，请参阅我们的 使用 DVCLive 训练 YOLO26指南。

  • 要配置环境，使 DVCLive 和 YOLO26 顺利集成，请按照以下步骤操作：

    1. 安装所需软件包：使用 pip install ultralytics dvclive。
    2. 初始化 Git 仓库：运行 git init -q。
    3. 设置 DVCLive：执行 dvc init -q。
    4. 提交到 Git：使用 git commit -m "DVC init"。

    这些步骤可确保实验跟踪具备正确的版本控制和设置。如需深入了解配置详情，请访问我们的配置指南。

  • DVCLive 提供了强大的工具来可视化 YOLO26 实验结果。下面介绍如何生成对比图：

    生成对比图
    dvc plots diff $(dvc exp list --names-only)

    要在 Jupyter Notebook 中显示这些图表，请使用：

    from IPython.display import HTML

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

    这些可视化结果有助于发现趋势并优化模型性能。请查看我们关于 YOLO26 实验分析的详细指南，了解完整步骤和示例。

贡献者
GLglenn-jocher13RAraimbekovm1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1AMambitious-octopus1ABabirami-vina1

评论