انتقل إلى المحتوى

Elevating YOLO11 Training: Simplify Your Logging Process with Comet ML

Logging key training details such as parameters, metrics, image predictions, and model checkpoints is essential in machine learning—it keeps your project transparent, your progress measurable, and your results repeatable.

Ultralytics YOLO11 seamlessly integrates with Comet ML, efficiently capturing and optimizing every aspect of your YOLO11 object detection model's training process. In this guide, we'll cover the installation process, Comet ML setup, real-time insights, custom logging, and offline usage, ensuring that your YOLO11 training is thoroughly documented and fine-tuned for outstanding results.

Comet مل

Comet نظرة عامة على ML

Comet ML عبارة عن منصة لتتبع نماذج وتجارب التعلم الآلي ومقارنتها وشرحها وتحسينها. يسمح لك بتسجيل المقاييس والمعلمات والوسائط والمزيد أثناء تدريب النموذج الخاص بك ومراقبة تجاربك من خلال واجهة ويب مبهجة من الناحية الجمالية. Comet يساعد التعلم الآلي علماء البيانات على التكرار بسرعة أكبر ، ويعزز الشفافية وقابلية التكرار ، ويساعد في تطوير نماذج الإنتاج.

Harnessing the Power of YOLO11 and Comet ML

By combining Ultralytics YOLO11 with Comet ML, you unlock a range of benefits. These include simplified experiment management, real-time insights for quick adjustments, flexible and tailored logging options, and the ability to log experiments offline when internet access is limited. This integration empowers you to make data-driven decisions, analyze performance metrics, and achieve exceptional results.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

تركيب

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

تكوين Comet مل

بعد تثبيت الحزم المطلوبة، ستحتاج إلى التسجيل والحصول على مفتاح واجهة برمجة التطبيقاتComet وتهيئته.

تكوين Comet مل

# Set your Comet Api Key
export COMET_API_KEY=<Your API Key>

بعد ذلك ، يمكنك تهيئة ملف Comet مشروع. Comet سيكتشف تلقائيا مفتاح واجهة برمجة التطبيقات ويتابع الإعداد.

Initialize Comet project

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

إذا كنت تستخدم دفتر ملاحظات Google Colab، سيطالبك الرمز أعلاه بإدخال مفتاح واجهة برمجة التطبيقات (API) للتهيئة.

استخدام

Before diving into the usage instructions, be sure to check out the range of YOLO11 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

استخدام

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

After running the training code, Comet ML will create an experiment in your Comet workspace to track the run automatically. You will then be provided with a link to view the detailed logging of your YOLO11 model's training process.

Comet automatically logs the following data with no additional configuration: metrics such as mAP and loss, hyperparameters, model checkpoints, interactive confusion matrix, and image bounding box predictions.

فهم أداء نموذجك من خلال Comet تصورات ML

Let's dive into what you'll see on the Comet ML dashboard once your YOLO11 model begins training. The dashboard is where all the action happens, presenting a range of automatically logged information through visuals and statistics. Here's a quick tour:

لوحات التجارب

The experiment panels section of the Comet ML dashboard organize and present the different runs and their metrics, such as segment mask loss, class loss, precision, and mean average precision.

Comet نظرة عامة على ML

المقاييس

في قسم المقاييس، لديك خيار فحص المقاييس بتنسيق جدولي أيضا، والذي يتم عرضه في جزء مخصص كما هو موضح هنا.

Comet نظرة عامة على ML

Interactive Confusion Matrix

The confusion matrix, found in the Confusion Matrix tab, provides an interactive way to assess the model's classification accuracy. It details the correct and incorrect predictions, allowing you to understand the model's strengths and weaknesses.

Comet نظرة عامة على ML

مقاييس النظام

Comet يقوم ML بتسجيل مقاييس النظام للمساعدة في تحديد أي اختناقات في عملية التدريب. ويتضمن مقاييس مثل استخدام GPU ، واستخدام الذاكرة GPU ، واستخدام ، واستخدام CPU ، واستخدام ذاكرة الوصول العشوائي. هذه ضرورية لمراقبة كفاءة استخدام الموارد أثناء تدريب النموذج.

Comet نظرة عامة على ML

تخصيص Comet تسجيل ML

Comet يوفر ML المرونة لتخصيص سلوك التسجيل الخاص به عن طريق تعيين متغيرات البيئة. تسمح لك هذه التكوينات بالتخصيص Comet ML لاحتياجاتك وتفضيلاتك الخاصة. فيما يلي بعض خيارات التخصيص المفيدة:

تسجيل تنبؤات الصور

يمكنك التحكم في عدد تنبؤات الصور التي Comet سجلات ML أثناء تجاربك. بشكل افتراضي ، Comet يسجل ML 100 تنبؤ للصور من مجموعة التحقق من الصحة. ومع ذلك ، يمكنك تغيير هذا الرقم ليناسب متطلباتك بشكل أفضل. على سبيل المثال، لتسجيل 200 صورة التنبؤات، استخدم التعليمة البرمجية التالية:

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

الفاصل الزمني لتسجيل الدفعات

Comet يسمح لك ML بتحديد عدد المرات التي يتم فيها تسجيل دفعات تنبؤات الصور. ال COMET_EVAL_BATCH_LOGGING_INTERVAL يتحكم متغير البيئة في هذا التردد. الإعداد الافتراضي هو 1 ، والذي يسجل التنبؤات من كل دفعة تحقق. يمكنك ضبط هذه القيمة لتسجيل التوقعات في فاصل زمني مختلف. على سبيل المثال ، سيؤدي تعيينه إلى 4 إلى تسجيل التنبؤات من كل دفعة رابعة.

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

تعطيل تسجيل مصفوفة الارتباك

In some cases, you may not want to log the confusion matrix from your validation set after every epoch. You can disable this feature by setting the COMET_EVAL_LOG_CONFUSION_MATRIX متغير البيئة إلى "خطأ". سيتم تسجيل مصفوفة الارتباك مرة واحدة فقط ، بعد اكتمال التدريب.

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

تسجيل الدخول دون اتصال

إذا وجدت نفسك في موقف يكون فيه الوصول إلى الإنترنت محدودا ، Comet يوفر ML خيار تسجيل دون اتصال. يمكنك ضبط COMET_MODE متغير البيئة إلى "غير متصل" لتمكين هذه الميزة. سيتم حفظ بيانات تجربتك محليا في دليل يمكنك تحميله لاحقا Comet ML عندما يكون الاتصال بالإنترنت متاحا.

import os

os.environ["COMET_MODE"] = "offline"

ملخص

This guide has walked you through integrating Comet ML with Ultralytics' YOLO11. From installation to customization, you've learned to streamline experiment management, gain real-time insights, and adapt logging to your project's needs.

Explore Comet ML's official documentation for more insights on integrating with YOLO11.

Furthermore, if you're looking to dive deeper into the practical applications of YOLO11, specifically for image segmentation tasks, this detailed guide on fine-tuning YOLO11 with Comet ML offers valuable insights and step-by-step instructions to enhance your model's performance.

بالإضافة إلى ذلك ، لاستكشاف عمليات تكامل مثيرة أخرى مع Ultralytics، راجع صفحة دليل الاندماج، التي تقدم ثروة من الموارد والمعلومات.

الأسئلة المتداولة

How do I integrate Comet ML with Ultralytics YOLO11 for training?

To integrate Comet ML with Ultralytics YOLO11, follow these steps:

  1. قم بتثبيت الحزم المطلوبة:

    pip install ultralytics comet_ml torch torchvision
    
  2. قم بإعداد مفتاح واجهة برمجة التطبيقات Comet الخاص بك:

    export COMET_API_KEY=<Your API Key>
    
  3. قم بتهيئة مشروعك Comet في كود Python الخاص بك:

    import comet_ml
    
    comet_ml.login(project_name="comet-example-yolo11-coco128")
    
  4. Train your YOLO11 model and log metrics:

    from ultralytics import YOLO
    
    model = YOLO("yolo11n.pt")
    results = model.train(
        data="coco8.yaml",
        project="comet-example-yolo11-coco128",
        batch=32,
        save_period=1,
        save_json=True,
        epochs=3,
    )
    

لمزيد من الإرشادات التفصيلية، راجع قسم التكوينComet ML.

What are the benefits of using Comet ML with YOLO11?

By integrating Ultralytics YOLO11 with Comet ML, you can:

  • رصد الرؤى في الوقت الفعلي: احصل على ملاحظات فورية حول نتائج تدريبك، مما يتيح لك إجراء تعديلات سريعة.
  • تسجيل مقاييس شاملة: التقط المقاييس الأساسية تلقائيًا مثل mAP، والخسارة، والمعلمات الفائقة، ونقاط فحص النموذج.
  • تتبع التجارب دون اتصال بالإنترنت: سجّل تجاربك التدريبية محلياً عندما لا يكون الاتصال بالإنترنت متاحاً.
  • قارن بين عمليات التدريب المختلفة: استخدم لوحة التحكم التفاعلية Comet ML التفاعلية لتحليل ومقارنة تجارب متعددة.

وبالاستفادة من هذه الميزات، يمكنك تحسين سير عمل التعلُّم الآلي لديك لتحسين الأداء وقابلية التكرار. لمزيد من المعلومات، قم بزيارة دليل التكاملComet التعلم الآلي.

How do I customize the logging behavior of Comet ML during YOLO11 training?

Comet يسمح ML بتخصيص واسع النطاق لسلوك التسجيل الخاص به باستخدام متغيرات البيئة:

  • تغيير عدد تنبؤات الصور المسجلة:

    import os
    
    os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
    
  • ضبط الفاصل الزمني لتسجيل الدُفعات:

    import os
    
    os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
    
  • تعطيل تسجيل مصفوفة الارتباك:

    import os
    
    os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
    

ارجع إلى قسم تخصيص Comet ML Logging لمزيد من خيارات التخصيص.

How do I view detailed metrics and visualizations of my YOLO11 training on Comet ML?

Once your YOLO11 model starts training, you can access a wide range of metrics and visualizations on the Comet ML dashboard. Key features include:

  • Experiment Panels: View different runs and their metrics, including segment mask loss, class loss, and mean average precision.
  • المقاييس: فحص المقاييس بتنسيق جدولي لإجراء تحليل مفصل.
  • مصفوفة الارتباك التفاعلية: تقييم دقة التصنيف باستخدام مصفوفة الارتباك التفاعلية.
  • مقاييس النظام: مراقبة استخدام GPU و CPU ، واستخدام الذاكرة، ومقاييس النظام الأخرى.

للاطلاع على نظرة عامة مفصلة على هذه الميزات، يرجى زيارة قسم فهم أداء نموذجك باستخدام Comet مرئيات التعلم الآلي.

Can I use Comet ML for offline logging when training YOLO11 models?

نعم، يمكنك تمكين التسجيل دون اتصال بالإنترنت في Comet ML عن طريق تعيين COMET_MODE متغير البيئة إلى "غير متصل":

import os

os.environ["COMET_MODE"] = "offline"

تتيح لك هذه الميزة تسجيل بيانات تجربتك محليًا، والتي يمكن تحميلها لاحقًا إلى Comet ML عند توفر الاتصال بالإنترنت. وهذا مفيد بشكل خاص عند العمل في بيئات ذات اتصال محدود بالإنترنت. لمزيد من التفاصيل، راجع قسم التسجيل دون اتصال بالإنترنت.

📅 Created 12 months ago ✏️ Updated 29 days ago

التعليقات