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。它包括记录和分析来自无数次训练运行的各种参数、指标和结果。此过程对于理解模型性能以及做出基于数据的决策以改进和优化模型至关重要。

将 DVCLive 与 Ultralytics YOLO26 相结合，改变了跟踪和管理实验的方式。此集成提供了一个无缝的解决方案，可自动记录关键实验细节、比较不同运行的结果以及可视化数据以便进行深入分析。在本指南中，我们将了解如何使用 DVCLive 来简化流程。

DVCLive#

由 DVC 开发的 DVCLive 是一款用于机器学习中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关键实验数据。DVCLive 专为简单易用而设计，能够轻松比较和分析多次运行，通过直观的数据可视化和分析工具提高机器学习项目的效率。

使用 DVCLive 进行 YOLO26 训练#

可以使用 DVCLive 有效监控 YOLO26 训练过程。此外，DVC 提供了可视化这些实验的核心功能，包括生成一份报告，使你能够跨所有跟踪的实验比较指标图表，从而全面了解训练过程。

安装#

要安装所需的软件包，请运行：

# 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 Installation guide。在安装 YOLO26 所需的软件包时，如果遇到任何困难，请查阅我们的 Common Issues guide 获取解决方案和提示。

配置 DVCLive#

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

首先初始化一个 Git 仓库，因为 Git 在代码和 DVCLive 配置的版本控制中发挥着关键作用。

# 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 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 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#

在深入了解使用说明之前，请务必查看 YOLO26 models offered by Ultralytics。这将帮助你为你的项目需求选择最合适的模型。

使用 DVCLive 训练 YOLO26 模型#

首先运行你的 YOLO26 训练。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

根据你的具体要求调整 model、data、epochs 和 imgsz 参数。有关模型训练过程和最佳实践的详细了解，请参阅我们的YOLO26 模型训练指南。

使用 DVCLive 监控实验#

DVCLive 允许跟踪和可视化关键指标，从而增强训练过程。安装后，Ultralytics YOLO26 会自动与 DVCLive 集成以进行实验跟踪，你稍后可以对其进行分析以获取性能洞察。要全面了解训练期间使用的特定性能指标，请务必探索我们关于性能指标的详细指南。

分析结果#

在 YOLO26 训练结束后，你可以利用 DVCLive 强大的可视化工具对结果进行深入分析。DVCLive 的集成确保了所有训练指标都被系统地记录下来，有助于对模型性能进行全面评估。

要开始分析，你可以使用 DVC 的 API 提取实验数据，并使用 pandas 进行处理，以便更轻松地操作和可视化：

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)

上述代码片段的输出清晰地以表格形式展示了使用 YOLO26 模型进行的各种实验。每一行代表一次不同的训练运行，详细说明了实验名称、epoch 数量、图像大小 (imgsz)、使用的特定模型以及 mAP50-95(B) 指标。此指标对于评估模型的准确率至关重要，较高的值表示更好的性能。

使用 Plotly 可视化结果#

为了对实验结果进行更具交互性和视觉化的分析，你可以使用 Plotly 的平行坐标图。这种图表对于理解不同参数和指标之间的关系及权衡特别有用。

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()

上述代码片段的输出会生成一个图表，直观地表示 epoch、图像尺寸、模型类型及其对应的 mAP50-95(B) 分数之间的关系，使你能够发现实验数据中的趋势和规律。

使用 DVC 生成比较可视化图表#

DVC 提供了一个有用的命令来生成实验的比较图表。这对于比较不同模型在各种训练运行中的表现特别有帮助。

# 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，这些图表保存为 HTML 文件。以下是说明此过程生成的典型图表的示例图像。该图像展示了各种图表，包括代表 mAP、召回率、精确率、损失值等的图表，从而提供了关键性能指标的直观概览：

显示 DVC 图表#

如果你正在使用 Jupyter Notebook 并且想要显示生成的 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")

此代码将直接在你的 Jupyter Notebook 中渲染包含 DVC 图表的 HTML 文件，提供了一种简单方便的方法来分析可视化后的实验数据。

做出数据驱动的决策#

利用从这些可视化中获得的见解，就模型优化、超参数调整以及旨在增强模型性能的其他修改做出明智的决策。

迭代实验#

根据你的分析，对实验进行迭代。调整模型配置、训练参数，甚至是数据输入，然后重复训练和分析过程。这种迭代方法是优化模型以获得最佳性能的关键。

总结#

本指南带你完成了将 DVCLive 与 Ultralytics YOLO26 集成的过程。你已经学会了如何利用 DVCLive 的强大功能在机器学习工作中进行详细的实验监控、有效的可视化和深入的分析。

有关用法的更多详细信息，请访问 DVCLive 官方文档。

此外，通过访问Ultralytics 集成指南页面（这是一个包含大量资源和见解的集合），探索 Ultralytics 的更多集成和功能。

常见问题解答#