Elevando el entrenamiento de YOLO26: Simplifica tu proceso de registro con Comet

Registrar detalles clave del entrenamiento, como parámetros, métricas, predicciones de imágenes y puntos de control del modelo, es esencial en machine learning: mantiene tu proyecto transparente, tu progreso medible y tus resultados repetibles.

Ultralytics YOLO26 se integra perfectamente con Comet (anteriormente Comet ML), capturando y optimizando de manera eficiente cada aspecto del proceso de entrenamiento de tu modelo de object detection de YOLO26. En esta guía, cubriremos el proceso de instalación, la configuración de Comet, las perspectivas en tiempo real, el registro personalizado y el uso sin conexión, asegurando que tu entrenamiento de YOLO26 esté minuciosamente documentado y optimizado para obtener resultados sobresalientes.

Comet

Comet es una plataforma para rastrear, comparar, explicar y optimizar modelos y experimentos de machine learning. Te permite registrar métricas, parámetros, medios y más durante el entrenamiento de tu modelo y monitorear tus experimentos a través de una interfaz web estéticamente agradable. Comet ayuda a los científicos de datos a iterar más rápidamente, mejora la transparencia y la reproducibilidad, y ayuda en el desarrollo de modelos de producción.

Aprovechando el poder de YOLO26 y Comet

Al combinar Ultralytics YOLO26 con Comet, desbloqueas una serie de beneficios. Estos incluyen una gestión simplificada de experimentos, perspectivas en tiempo real para ajustes rápidos, opciones de registro flexibles y personalizadas, y la capacidad de registrar experimentos sin conexión cuando el acceso a Internet es limitado. Esta integración te permite tomar decisiones basadas en datos, analizar métricas de rendimiento y lograr resultados excepcionales.

Instalación

Para instalar los paquetes necesarios, ejecuta:

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

Configurando Comet

Después de instalar los paquetes necesarios, deberás registrarte, obtener una Comet API Key y configurarla.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Luego, puedes inicializar tu proyecto de Comet. Comet detectará automáticamente la API key y procederá con la configuración.

import comet_ml

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

Si estás usando un notebook de Google Colab, el código anterior te pedirá que ingreses tu API key para la inicialización.

Uso

Antes de sumergirte en las instrucciones de uso, asegúrate de echar un vistazo a la gama de modelos YOLO26 ofrecidos por Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

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,
)

Después de ejecutar el código de entrenamiento, Comet creará un experimento en tu espacio de trabajo de Comet para rastrear la ejecución automáticamente. Luego, recibirás un enlace para ver el registro detallado del proceso de entrenamiento de tu modelo YOLO26.

Comet registra automáticamente los siguientes datos sin necesidad de configuración adicional: métricas como mAP y pérdida, hiperparámetros, puntos de control del modelo, matriz de confusión interactiva y predicciones de bounding box en imágenes.

Entendiendo el rendimiento de tu modelo con las visualizaciones de Comet

Sumerjámonos en lo que verás en el panel de control de Comet una vez que tu modelo YOLO26 comience a entrenar. El panel de control es donde sucede toda la acción, presentando una variedad de información registrada automáticamente a través de imágenes y estadísticas. Aquí tienes un recorrido rápido:

Paneles de experimento

La sección de paneles de experimento del panel de control de Comet organiza y presenta las diferentes ejecuciones y sus métricas, como la pérdida de máscara de segmento, la pérdida de clase, la precisión y la mean average precision.

Métricas

En la sección de métricas, también tienes la opción de examinar las métricas en un formato tabular, que se muestra en un panel dedicado como se ilustra aquí.

Confusion Matrix interactiva

La matriz de confusión, que se encuentra en la pestaña Confusion Matrix, proporciona una forma interactiva de evaluar la accuracy de clasificación del modelo. Detalla las predicciones correctas e incorrectas, lo que te permite comprender las fortalezas y debilidades del modelo.

Métricas del sistema

Comet registra métricas del sistema para ayudar a identificar cualquier cuello de botella en el proceso de entrenamiento. Incluye métricas como la utilización de GPU, el uso de memoria de GPU, la utilización de CPU y el uso de RAM. Estas son esenciales para monitorear la eficiencia del uso de recursos durante el entrenamiento del modelo.

Personalizando el registro de Comet

Comet ofrece la flexibilidad de personalizar su comportamiento de registro estableciendo variables de entorno. Estas configuraciones te permiten adaptar Comet a tus necesidades y preferencias específicas. Aquí tienes algunas opciones de personalización útiles:

Registro de predicciones de imágenes

Puedes controlar el número de predicciones de imágenes que Comet registra durante tus experimentos. De forma predeterminada, Comet registra 100 predicciones de imágenes del conjunto de validación. Sin embargo, puedes cambiar este número para que se adapte mejor a tus requisitos. Por ejemplo, para registrar 200 predicciones de imágenes, usa el siguiente código:

import os

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

Intervalo de registro por lotes

Comet te permite especificar con qué frecuencia se registran los lotes de predicciones de imágenes. La variable de entorno COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frecuencia. La configuración predeterminada es 1, que registra predicciones de cada lote de validación. Puedes ajustar este valor para registrar predicciones en un intervalo diferente. Por ejemplo, configurarlo en 4 registrará predicciones de cada cuarto lote.

import os

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

Deshabilitar el registro de la matriz de confusión

En algunos casos, es posible que no desees registrar la matriz de confusión de tu conjunto de validación después de cada epoch. Puedes deshabilitar esta función configurando la variable de entorno COMET_EVAL_LOG_CONFUSION_MATRIX en "false". La matriz de confusión solo se registrará una vez, después de que se complete el entrenamiento.

import os

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

Registro sin conexión

Si te encuentras en una situación donde el acceso a Internet es limitado, Comet proporciona una opción de registro sin conexión. Puedes configurar la variable de entorno COMET_MODE en "offline" para habilitar esta función. Los datos de tu experimento se guardarán localmente en un directorio que luego podrás cargar en Comet cuando haya conectividad a Internet disponible.

import os

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

Resumen

Esta guía te ha guiado a través de la integración de Comet con YOLO26 de Ultralytics. Desde la instalación hasta la personalización, has aprendido a optimizar la gestión de experimentos, obtener perspectivas en tiempo real y adaptar el registro a las necesidades de tu proyecto.

Explora la documentación oficial de integración de YOLOv8 de Comet, que también se aplica a los proyectos de YOLO26.

Además, si buscas profundizar en las aplicaciones prácticas de YOLO26, específicamente para tareas de image segmentation, esta guía detallada sobre ajuste fino de YOLO26 con Comet ofrece perspectivas valiosas e instrucciones paso a paso para mejorar el rendimiento de tu modelo.

Adicionalmente, para explorar otras integraciones interesantes con Ultralytics, consulta la página de guía de integración, que ofrece una gran cantidad de recursos e información.

Preguntas frecuentes

¿Cómo integro Comet con Ultralytics YOLO26 para el entrenamiento?

Para integrar Comet con Ultralytics YOLO26, sigue estos pasos:

1. Instala los paquetes necesarios:

   pip install ultralytics comet_ml torch torchvision

2. Configura tu Comet API Key:

   export COMET_API_KEY=YOUR_API_KEY

3. Inicializa tu proyecto de Comet en tu código Python:

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

4. Entrena tu modelo YOLO26 y registra métricas:

   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,
   )

Para obtener instrucciones más detalladas, consulta la sección de configuración de Comet.

¿Cuáles son los beneficios de usar Comet con YOLO26?

Al integrar Ultralytics YOLO26 con Comet, puedes:

• Monitorear perspectivas en tiempo real: Obtén retroalimentación instantánea sobre los resultados de tu entrenamiento, lo que permite ajustes rápidos.
• Registrar métricas extensas: Captura automáticamente métricas esenciales como mAP, pérdida, hiperparámetros y puntos de control del modelo.
• Rastrear experimentos sin conexión: Registra tus ejecuciones de entrenamiento localmente cuando no haya acceso a Internet disponible.
• Comparar diferentes ejecuciones de entrenamiento: Utiliza el panel de control interactivo de Comet para analizar y comparar múltiples experimentos.

Al aprovechar estas características, puedes optimizar tus flujos de trabajo de machine learning para obtener un mejor rendimiento y reproducibilidad. Para obtener más información, visita la guía de integración de Comet.

¿Cómo personalizo el comportamiento de registro de Comet durante el entrenamiento de YOLO26?

Comet permite una amplia personalización de su comportamiento de registro utilizando variables de entorno:

• Cambiar el número de predicciones de imágenes registradas:

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

• Ajustar el intervalo de registro por lotes:

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

• Deshabilitar el registro de la matriz de confusión:

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

Consulta la sección Personalizando el registro de Comet para más opciones de personalización.

¿Cómo veo métricas detalladas y visualizaciones de mi entrenamiento de YOLO26 en Comet?

Una vez que tu modelo YOLO26 comienza a entrenar, puedes acceder a una amplia gama de métricas y visualizaciones en el panel de control de Comet. Las características clave incluyen:

• Paneles de experimento: Visualiza diferentes ejecuciones y sus métricas, incluyendo la pérdida de máscara de segmento, la pérdida de clase y la precision media.
• Métricas: Examina las métricas en formato tabular para un análisis detallado.
• Confusion Matrix interactiva: Evalúa la precisión de clasificación con una matriz de confusión interactiva.
• Métricas del sistema: Monitorea la utilización de GPU y CPU, el uso de memoria y otras métricas del sistema.

Para una descripción detallada de estas características, visita la sección Entendiendo el rendimiento de tu modelo con las visualizaciones de Comet.

¿Puedo usar Comet para el registro sin conexión al entrenar modelos YOLO26?

Sí, puedes habilitar el registro sin conexión en Comet configurando la variable de entorno COMET_MODE en "offline":

import os

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

Esta función te permite registrar los datos de tu experimento localmente, que luego pueden cargarse en Comet cuando haya conectividad a Internet disponible. Esto es particularmente útil cuando trabajas en entornos con acceso limitado a Internet. Para obtener más detalles, consulta la sección Registro sin conexión.