YOLO26-Training verbessern: Vereinfache deinen Logging-Prozess mit Comet#

Das Protokollieren wichtiger Trainingsdetails wie Parametern, Metriken, Bildvorhersagen und Modell-Checkpoints ist im Bereich machine learning unerlässlich – es sorgt für Transparenz in deinem Projekt, macht deinen Fortschritt messbar und deine Ergebnisse reproduzierbar.

Ultralytics YOLO26 lässt sich nahtlos in Comet (früher Comet ML) integrieren, um jeden Aspekt des Trainingsprozesses deines YOLO26-object detection-Modells effizient zu erfassen und zu optimieren. In diesem Leitfaden gehen wir auf den Installationsprozess, die Comet-Einrichtung, Einblicke in Echtzeit, benutzerdefiniertes Logging und die Offline-Nutzung ein, damit dein YOLO26-Training gründlich dokumentiert und für hervorragende Ergebnisse optimiert wird.

Comet#

Comet ist eine Plattform zum Verfolgen, Vergleichen, Erklären und Optimieren von Machine-Learning-Modellen und -Experimenten. Damit kannst du während des Modelltrainings Metriken, Parameter, Medien und mehr protokollieren und deine Experimente über eine ästhetisch ansprechende Weboberfläche überwachen. Comet hilft Data Scientists dabei, schneller zu iterieren, erhöht Transparenz sowie Reproduzierbarkeit und unterstützt die Entwicklung von Produktionsmodellen.

Die Leistungsfähigkeit von YOLO26 und Comet nutzen#

Durch die Kombination von Ultralytics YOLO26 mit Comet erschließt du dir eine Reihe von Vorteilen. Dazu gehören ein vereinfachtes Experiment-Management, Echtzeit-Einblicke für schnelle Anpassungen, flexible und maßgeschneiderte Logging-Optionen sowie die Möglichkeit, Experimente offline zu protokollieren, wenn der Internetzugang eingeschränkt ist. Diese Integration befähigt dich, datengestützte Entscheidungen zu treffen, Leistungsmetriken zu analysieren und außergewöhnliche Ergebnisse zu erzielen.

Installation#

Um die erforderlichen Pakete zu installieren, führe aus:

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Comet konfigurieren#

Nach der Installation der erforderlichen Pakete musst du dich registrieren, einen Comet API Key abrufen und diesen konfigurieren.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Anschließend kannst du dein Comet-Projekt initialisieren. Comet erkennt den API Key automatisch und fährt mit der Einrichtung fort.

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

Wenn du ein Google Colab-Notebook verwendest, fordert dich der obige Code zur Eingabe deines API-Keys für die Initialisierung auf.

Verwendung#

Bevor du in die Nutzungshinweise eintauchst, solltest du dir unbedingt die Reihe der von Ultralytics angebotenen YOLO26-Modelle ansehen. Dies hilft dir dabei, das am besten geeignete Modell für deine Projektanforderungen auszuwählen.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Nach dem Ausführen des Trainingscodes erstellt Comet automatisch ein Experiment in deinem Comet-Workspace, um den Durchlauf zu verfolgen. Du erhältst daraufhin einen Link, um das detaillierte Logging des YOLO26 model's training-Prozesses anzusehen.

Comet protokolliert automatisch die folgenden Daten ohne zusätzliche Konfiguration: Metriken wie mAP und Loss, Hyperparameter, Modell-Checkpoints, die interaktive Konfusionsmatrix und Bild-bounding box-Vorhersagen.

Die Modellleistung mit Comet-Visualisierungen verstehen#

Lass uns einen Blick darauf werfen, was du auf dem Comet-Dashboard siehst, sobald dein YOLO26-Modell mit dem Training beginnt. Das Dashboard ist der zentrale Ort, an dem alle Aktionen stattfinden und eine Reihe automatisch protokollierter Informationen durch Visualisierungen und Statistiken präsentiert werden. Hier ist ein kurzer Rundgang:

Experiment-Panels

Der Bereich für die Experiment-Panels im Comet-Dashboard organisiert und präsentiert die verschiedenen Durchläufe und deren Metriken wie Segmentmaskenverlust, Klassenverlust, Precision und mean average precision.

Metriken

Im Metriken-Bereich hast du zudem die Option, die Metriken in einem tabellarischen Format zu untersuchen, was wie hier dargestellt in einem eigenen Bereich angezeigt wird.

Interaktive Confusion Matrix

Die Konfusionsmatrix, die du im Reiter „Confusion Matrix“ findest, bietet eine interaktive Möglichkeit, die Klassifikations-accuracy des Modells zu bewerten. Sie führt korrekte und inkorrekte Vorhersagen im Detail auf, sodass du die Stärken und Schwächen des Modells nachvollziehen kannst.

Systemmetriken

Comet protokolliert Systemmetriken, um Engpässe im Trainingsprozess zu identifizieren. Dies umfasst Metriken wie GPU-Auslastung, GPU-Speichernutzung, CPU-Auslastung und RAM-Nutzung. Diese sind essentiell, um die Effizienz der Ressourcennutzung während des Modelltrainings zu überwachen.

Comet-Logging anpassen#

Comet bietet die Flexibilität, das Logging-Verhalten durch das Setzen von Umgebungsvariablen anzupassen. Diese Konfigurationen ermöglichen es dir, Comet auf deine spezifischen Bedürfnisse und Vorlieben zuzuschneiden. Der Ultralytics-Callback liest die folgenden Umgebungsvariablen (setze diese, bevor das Training beginnt):

Bei den booleschen Schaltern (COMET_EVAL_LOG_IMAGE_PREDICTIONS und COMET_EVAL_LOG_CONFUSION_MATRIX) werden die Werte 1, true, yes, on, y und t als True interpretiert (Groß-/Kleinschreibung wird nicht berücksichtigt). Jeder andere Wert entspricht False.

Bildvorhersagen protokollieren#

Du kannst die Anzahl der Bildvorhersagen steuern, die Comet während deiner Experimente protokolliert. Standardmäßig protokolliert Comet 100 Bildvorhersagen aus dem Validierungsset. Du kannst diese Zahl jedoch an deine Anforderungen anpassen. Um beispielsweise 200 Bildvorhersagen zu protokollieren, verwende den folgenden Code:

import os

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

Um das Logging von Bildvorhersagen vollständig zu deaktivieren (z. B. um das Upload-Volumen bei langsamen Verbindungen zu reduzieren), setze COMET_EVAL_LOG_IMAGE_PREDICTIONS auf "false":

import os

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

Batch-Logging-Intervall#

Comet ermöglicht es dir festzulegen, wie oft Batches von Bildvorhersagen protokolliert werden. Die Umgebungsvariable COMET_EVAL_BATCH_LOGGING_INTERVAL steuert diese Häufigkeit. Die Standardeinstellung ist 1, wodurch Vorhersagen von jedem Validierungsbatch protokolliert werden. Du kannst diesen Wert anpassen, um Vorhersagen in einem anderen Intervall zu protokollieren. Wenn du ihn beispielsweise auf 4 setzt, werden Vorhersagen von jedem vierten Batch protokolliert.

import os

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

Logging der Konfusionsmatrix deaktivieren#

In einigen Fällen möchtest du die Konfusionsmatrix aus deinem Validierungsset vielleicht nicht nach jeder epoch protokollieren. Du kannst diese Funktion deaktivieren, indem du die Umgebungsvariable COMET_EVAL_LOG_CONFUSION_MATRIX auf „false“ setzt. Die Konfusionsmatrix wird dann nur einmal nach Abschluss des Trainings protokolliert.

import os

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

Online- und Offline-Modus#

Standardmäßig läuft Comet im Online-Modus und streamt Experimentdaten an die Comet-Server. Wenn du ohne Internetzugang trainieren musst, setze COMET_START_ONLINE=0, bevor das Training beginnt. Experimentdaten werden lokal gespeichert und können später mit dem comet upload-CLI hochgeladen werden.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Projektname#

Standardmäßig übergibt der Comet-Callback das YOLO-Trainingargument project an Comet (oder None, wenn das Argument nicht gesetzt ist, in welchem Fall Comet den Standardwert deines Workspaces verwendet). Überschreibe dies mit COMET_PROJECT_NAME, um alle Experimente unabhängig vom YOLO-Trainingargument an ein spezifisches Comet-Workspace-Projekt zu senden:

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Modell-Artefaktname#

COMET_MODEL_NAME legt den Namen fest, unter dem Comet das protokollierte Modell-Artefakt registriert (Standard ist Ultralytics). Verwende ihn, um Modellvarianten in einem geteilten Workspace zu unterscheiden:

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Skalierung von Konfidenzwerten#

Erkennungswahrscheinlichkeitswerte (Confidence Scores) werden im Bereich [0, 1] ausgegeben, aber die Comet-Benutzeroberfläche zeigt sie standardmäßig auf einer Prozent skala an. Der Callback multipliziert jeden Score vor dem Protokollieren mit COMET_MAX_CONFIDENCE_SCORE (Standard 100.0). Passe dies an, wenn du rohe Wahrscheinlichkeiten oder eine andere Skala bevorzugst:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Zusammenfassung#

Dieser Leitfaden hat dich durch die Integration von Comet mit Ultralytics' YOLO26 geführt. Von der Installation bis zur Anpassung hast du gelernt, das Experiment-Management zu optimieren, Echtzeit-Einblicke zu gewinnen und das Logging an die Bedürfnisse deines Projekts anzupassen.

Entdecke die Comet's official YOLOv8 integration documentation, die auch für YOLO26-Projekte gilt.

Wenn du außerdem tiefer in die praktischen Anwendungen von YOLO26 einsteigen möchtest, insbesondere für image segmentation-Aufgaben, bietet dieser detaillierte Leitfaden zu fine-tuning YOLO26 with Comet wertvolle Einblicke und Schritt-für-Schritt-Anleitungen zur Verbesserung der Leistung deines Modells.

Schau dir außerdem die integration guide page an, die eine Fülle von Ressourcen und Informationen bietet, um weitere spannende Integrationen mit Ultralytics zu erkunden.

FAQ#