YOLO26-Training optimieren: Vereinfachen Sie Ihren Protokollierungsprozess mit Comet

Das Protokollieren wichtiger Trainingsdetails wie Parameter, Metriken, Bildvorhersagen und Modell-Checkpoints ist im maschinellen Lernen unerlässlich – es hält Ihr Projekt transparent, Ihren Fortschritt messbar und Ihre Ergebnisse wiederholbar.

Ansehen: So verwenden Sie Comet für Ultralytics YOLO Modell-Trainingsprotokolle und Metriken 🚀

Ultralytics YOLO26 lässt sich nahtlos in Comet (ehemals Comet ML) integrieren, wobei jeder Aspekt des Trainingsprozesses Ihres YOLO26-Objekterkennungsmodells effizient erfasst und optimiert wird. In diesem Leitfaden behandeln wir den Installationsprozess, die Comet-Einrichtung, Echtzeit-Einblicke, benutzerdefinierte Protokollierung und die Offline-Nutzung, um sicherzustellen, dass Ihr YOLO26-Training gründlich dokumentiert und für herausragende Ergebnisse feinabgestimmt wird.

Comet

Comet ist eine Plattform zum Verfolgen, Vergleichen, Erklären und Optimieren von Machine-Learning-Modellen und -Experimenten. Sie ermöglicht es Ihnen, Metriken, Parameter, Medien und mehr während des Modelltrainings zu protokollieren und Ihre Experimente über eine ästhetisch ansprechende Weboberfläche zu überwachen. Comet hilft Datenwissenschaftlern, schneller zu iterieren, verbessert die Transparenz und Reproduzierbarkeit und unterstützt die Entwicklung von Produktionsmodellen.

Die Leistungsfähigkeit von YOLO26 und Comet nutzen

Durch die Kombination von Ultralytics YOLO26 mit Comet erschließen Sie eine Reihe von Vorteilen. Dazu gehören ein vereinfachtes Experimentmanagement, Echtzeit-Einblicke für schnelle Anpassungen, flexible und maßgeschneiderte Protokollierungsoptionen sowie die Möglichkeit, Experimente offline zu protokollieren, wenn der Internetzugang eingeschränkt ist. Diese Integration ermöglicht es Ihnen, datengestützte Entscheidungen zu treffen, Leistungsmetriken zu analysieren und außergewöhnliche Ergebnisse zu erzielen.

Installation

Um die erforderlichen Pakete zu installieren, führen Sie Folgendes aus:

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

Comet konfigurieren

Nach der Installation der erforderlichen Pakete müssen Sie sich anmelden, einen Comet API Key besorgen und ihn konfigurieren.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Danach können Sie Ihr Comet-Projekt initialisieren. Comet erkennt den API-Schlüssel 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, wirst du durch den obigen Code aufgefordert, deinen API-Schlüssel zur Initialisierung einzugeben.

Nutzung

Bevor Sie sich mit den Nutzungsanweisungen befassen, sehen Sie sich unbedingt die Palette der von Ultralytics angebotenen YOLO26-Modelle an. Dies hilft Ihnen, das am besten geeignete Modell für Ihre 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 Ausführung des Trainingscodes erstellt Comet automatisch ein Experiment in Ihrem Comet-Arbeitsbereich, um den Durchlauf zu verfolgen. Sie erhalten dann einen Link, um die detaillierte Protokollierung des Trainingsprozesses Ihres YOLO26-Modells anzuzeigen.

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

Verständnis der Modellleistung mit Comet-Visualisierungen

Werfen wir einen Blick darauf, was Sie auf dem Comet-Dashboard sehen werden, sobald Ihr YOLO26-Modell mit dem Training beginnt. Das Dashboard ist der Ort, an dem alles geschieht, und präsentiert eine Reihe von automatisch protokollierten Informationen durch Visualisierungen und Statistiken. Hier ist ein kurzer Überblick:

Experimentierfelder

Der Bereich der Experiment-Panels des Comet-Dashboards organisiert und präsentiert die verschiedenen Durchläufe und ihre Metriken, wie z.B. segment mask loss, class loss, Präzision und mittlere durchschnittliche Präzision.

Metriken

Im Metrikbereich haben Sie die Möglichkeit, die Metriken auch in tabellarischer Form zu untersuchen, die in einem speziellen Bereich angezeigt wird, wie hier dargestellt.

Interaktive Konfusionsmatrix

Die Konfusionsmatrix, die sich im Tab "Konfusionsmatrix" befindet, bietet eine interaktive Möglichkeit, die Klassifikations-Genauigkeit des Modells zu beurteilen. Sie listet die korrekten und inkorrekten Vorhersagen auf, sodass Sie die Stärken und Schwächen des Modells verstehen können.

Systemmetriken

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

Anpassen der Comet-Protokollierung

Comet bietet die Flexibilität, sein Logging-Verhalten durch das Setzen von Umgebungsvariablen anzupassen. Diese Konfigurationen ermöglichen es Ihnen, Comet an Ihre spezifischen Bedürfnisse und Präferenzen anzupassen. Hier sind einige hilfreiche Anpassungsoptionen:

Protokollierung von Bildvorhersagen

Sie können die Anzahl der Bildvorhersagen steuern, die Comet während Ihrer Experimente protokolliert. Standardmäßig protokolliert Comet 100 Bildvorhersagen aus dem Validierungssatz. Sie können diese Zahl jedoch ändern, um sie besser an Ihre Anforderungen anzupassen. Um beispielsweise 200 Bildvorhersagen zu protokollieren, verwenden Sie den folgenden Code:

import os

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

Batch-Protokollierungsintervall

Comet ermöglicht es Ihnen festzulegen, wie oft Batches von Bildvorhersagen protokolliert werden. Die COMET_EVAL_BATCH_LOGGING_INTERVAL Umgebungsvariable steuert diese Häufigkeit. Die Standardeinstellung ist 1, wodurch Vorhersagen aus jedem Validierungs-Batch protokolliert werden. Sie können diesen Wert anpassen, um Vorhersagen in einem anderen Intervall zu protokollieren. Wenn Sie ihn beispielsweise auf 4 setzen, werden Vorhersagen aus jedem vierten Batch protokolliert.

import os

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

Deaktivieren der Protokollierung der Konfusionsmatrix

In einigen Fällen möchten Sie die Konfusionsmatrix aus Ihrem Validierungsdatensatz möglicherweise nicht nach jedem Epoche. Sie können diese Funktion deaktivieren, indem Sie den Wert für COMET_EVAL_LOG_CONFUSION_MATRIX Umgebungsvariable auf "false". Die Konfusionsmatrix wird nur einmal protokolliert, nachdem das Training abgeschlossen ist.

import os

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

Offline-Protokollierung

Wenn Sie sich in einer Situation befinden, in der der Internetzugang eingeschränkt ist, bietet Comet eine Offline-Logging-Option. Sie können die COMET_MODE Umgebungsvariable auf „offline“ setzen, um diese Funktion zu aktivieren. Ihre Experimentdaten werden lokal in einem Verzeichnis gespeichert, das Sie später auf Comet hochladen können, wenn eine Internetverbindung verfügbar ist.

import os

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

Zusammenfassung

Dieser Leitfaden hat Sie durch die Integration von Comet mit Ultralytics' YOLO26 geführt. Von der Installation bis zur Anpassung haben Sie gelernt, das Experimentmanagement zu optimieren, Echtzeit-Einblicke zu gewinnen und die Protokollierung an die Anforderungen Ihres Projekts anzupassen.

Erkunden Sie die offizielle YOLOv8-Integrationsdokumentation von Comet, die auch für YOLO26-Projekte gilt.

Darüber hinaus, wenn Sie tiefer in die praktischen Anwendungen von YOLO26 eintauchen möchten, insbesondere für Bildsegmentierungs-Aufgaben, bietet dieser detaillierte Leitfaden zum Fine-Tuning von YOLO26 mit Comet wertvolle Einblicke und Schritt-für-Schritt-Anleitungen zur Verbesserung der Modellleistung.

Um weitere spannende Integrationen mit Ultralytics zu erkunden, besuchen Sie die Seite zum Integrationsleitfaden, die eine Fülle von Ressourcen und Informationen bietet.

FAQ

Wie integriere ich Comet mit Ultralytics YOLO26 für das Training?

Um Comet mit Ultralytics YOLO26 zu integrieren, befolgen Sie diese Schritte:

1. Installieren Sie die erforderlichen Pakete:

   pip install ultralytics comet_ml torch torchvision
   

2. Richten Sie Ihren Comet-API-Schlüssel ein:

   export COMET_API_KEY=YOUR_API_KEY
   

3. Initialisieren Sie Ihr Comet-Projekt in Ihrem Python-Code:

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

4. Trainieren Sie Ihr YOLO26-Modell und protokollieren Sie Metriken:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo26-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

Für detailliertere Anweisungen verweisen wir auf den Comet-Konfigurationsabschnitt.

Welche Vorteile bietet die Verwendung von Comet mit YOLO26?

Durch die Integration von Ultralytics YOLO26 mit Comet können Sie:

• Echtzeit-Einblicke überwachen: Erhalten Sie sofortiges Feedback zu Ihren Trainingsergebnissen, was schnelle Anpassungen ermöglicht.
• Umfassende Metriken protokollieren: Erfassen Sie automatisch wesentliche Metriken wie mAP, Verlust, Hyperparameter und Modell-Checkpoints.
• Experimente offline verfolgen: Protokollieren Sie Ihre Trainingsläufe lokal, wenn kein Internetzugang verfügbar ist.
• Verschiedene Trainingsläufe vergleichen: Nutzen Sie das interaktive Comet-Dashboard, um mehrere Experimente zu analysieren und zu vergleichen.

Durch die Nutzung dieser Funktionen können Sie Ihre Machine-Learning-Workflows für eine bessere Leistung und Reproduzierbarkeit optimieren. Weitere Informationen finden Sie im Comet-Integrationsleitfaden.

Wie passe ich das Protokollierungsverhalten von Comet während des YOLO26-Trainings an?

Comet ermöglicht eine umfassende Anpassung seines Logging-Verhaltens mithilfe von Umgebungsvariablen:

• Ändern Sie die Anzahl der protokollierten Bildvorhersagen:

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

• Batch-Logging-Intervall anpassen:

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

• Deaktivieren der Protokollierung der Konfusionsmatrix:

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

Weitere Anpassungsoptionen finden Sie im Abschnitt Anpassen des Comet-Loggings.

Wie kann ich detaillierte Metriken und Visualisierungen meines YOLO26-Trainings auf Comet anzeigen?

Sobald Ihr YOLO26-Modell mit dem Training beginnt, können Sie auf dem Comet-Dashboard auf eine Vielzahl von Metriken und Visualisierungen zugreifen. Zu den Hauptfunktionen gehören:

• Experiment-Panels: Zeigen Sie verschiedene Läufe und deren Metriken an, einschließlich Segmentmaskenverlust, Klassenverlust und mittlerer durchschnittlicher Präzision.
• Metriken: Untersuchen Sie Metriken im Tabellenformat für eine detaillierte Analyse.
• Interaktive Konfusionsmatrix: Bewerten Sie die Klassifikationsgenauigkeit mit einer interaktiven Konfusionsmatrix.
• Systemmetriken: Überwachen Sie die GPU- und CPU-Auslastung, die Speichernutzung und andere Systemmetriken.

Eine detaillierte Übersicht über diese Funktionen finden Sie im Abschnitt Verständnis der Modellleistung mit Comet-Visualisierungen.

Kann ich Comet für die Offline-Protokollierung verwenden, wenn ich YOLO26-Modelle trainiere?

Ja, Sie können das Offline-Logging in Comet aktivieren, indem Sie die COMET_MODE Umgebungsvariable auf "offline":

import os

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

Diese Funktion ermöglicht es Ihnen, Ihre Experimentdaten lokal zu protokollieren, die später zu Comet hochgeladen werden können, sobald eine Internetverbindung verfügbar ist. Dies ist besonders nützlich, wenn Sie in Umgebungen mit eingeschränktem Internetzugang arbeiten. Weitere Details finden Sie im Abschnitt Offline-Logging.

📅 Erstellt vor 2 Jahren ✏️ Aktualisiert vor 5 Tagen

Kommentare