Elevating YOLO11 Training: Simplifique su proceso de registro con Comet ML

Registrar los detalles clave del entrenamiento, como parámetros, métricas, predicciones de imágenes y puntos de comprobación del modelo, es esencial en el aprendizaje automático:mantiene la transparencia del proyecto, permite medir el progreso y hace que los resultados sean repetibles.

Ultralytics YOLO11 se integra a la perfección con Comet ML, capturando y optimizando eficientemente cada aspecto del proceso de entrenamiento de su modelo dedetección de objetos YOLO11 . En esta guía, cubriremos el proceso de instalación, la configuración de Comet ML, la información en tiempo real, el registro personalizado y el uso sin conexión, para garantizar que el entrenamiento de YOLO11 se documente exhaustivamente y se ajuste para obtener resultados sobresalientes.

Comet ML

Comet ML es una plataforma para rastrear, comparar, explicar y optimizar modelos y experimentos de aprendizaje automático. Le permite registrar métricas, parámetros, medios y mucho más durante el entrenamiento de su modelo y supervisar sus experimentos a través de una interfaz web estéticamente agradable. Comet ML 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.

Aprovechar el poder de YOLO11 y Comet ML

Combinando Ultralytics YOLO11 con Comet ML, obtendrá una serie de ventajas. Entre ellas se incluyen la gestión simplificada de experimentos, información 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 le permite tomar decisiones basadas en datos, analizar métricas de rendimiento y lograr resultados excepcionales.

Instalación

Para instalar los paquetes necesarios, ejecute

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

Configuración de Comet ML

Tras instalar los paquetes necesarios, tendrás que registrarte, obtener una clave de APIComet y configurarla.

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

A continuación, puede inicializar su proyecto Comet . Comet detectará automáticamente la clave API y procederá a la configuración.

import comet_ml

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

Si utiliza un cuaderno Colab de Google , el código anterior le pedirá que introduzca su clave API para la inicialización.

Utilización

Antes de sumergirse en las instrucciones de uso, asegúrese de consultar la gama de modelos deYOLO11 que ofrece Ultralytics. Esto le ayudará a elegir el modelo más apropiado para los requisitos de su proyecto.

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,
)

Tras ejecutar el código de entrenamiento, Comet ML creará un experimento en su espacio de trabajo Comet para realizar un seguimiento automático de la ejecución. A continuación, se le proporcionará un enlace para ver el registro detallado del proceso de entrenamiento de su modeloYOLO11 .

Comet registra automáticamente los siguientes datos sin ninguna configuración adicional: métricas como mAP y pérdida, hiperparámetros, puntos de control del modelo, matriz de confusión interactiva y predicciones del cuadro delimitador de la imagen.

Comprenda el rendimiento de su modelo con Comet ML Visualizations

Veamos lo que verás en el panel de control de Comet ML una vez que tu modelo YOLO11 comience a entrenarse. El cuadro de mandos es donde se desarrolla toda la acción, presentando una serie de información registrada automáticamente a través de visuales y estadísticas. He aquí un rápido recorrido:

Paneles experimentales

La sección de paneles de experimentos del panel Comet ML organiza y presenta las diferentes ejecuciones y sus métricas, como la pérdida de máscara de segmento, la pérdida de clase, la precisión y la precisión media.

Métricas

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

Matriz de confusión interactiva

La matriz de confusión, que se encuentra en la pestaña Matriz de confusión, proporciona una forma interactiva de evaluar la precisión de clasificación del modelo. Detalla las predicciones correctas e incorrectas, lo que permite comprender los puntos fuertes y débiles del modelo.

Métricas del sistema

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

Personalización de Comet ML Logging

Comet ML ofrece la flexibilidad de personalizar su comportamiento de registro mediante la configuración de variables de entorno. Estas configuraciones le permiten adaptar Comet ML a sus necesidades y preferencias específicas. Estas son algunas opciones de personalización útiles:

Registro de predicciones de imagen

Puede controlar el número de predicciones de imágenes que Comet ML registra durante sus experimentos. Por defecto, Comet ML registra 100 predicciones de imágenes del conjunto de validación. Sin embargo, puede cambiar este número para adaptarlo mejor a sus necesidades. Por ejemplo, para registrar 200 predicciones de imagen, utilice el siguiente código:

import os

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

Intervalo de registro por lotes

Comet ML permite especificar la frecuencia con la que se registran los lotes de predicciones de imágenes. La dirección COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frecuencia. El valor predeterminado es 1, que registra las predicciones de cada lote de validación. Puede ajustar este valor para registrar predicciones en un intervalo diferente. Por ejemplo, si se establece en 4, se registrarán las predicciones de cada cuarto lote.

import os

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

Desactivación del registro de la matriz de confusión

En algunos casos, es posible que no desee registrar la matriz de confusión de su conjunto de validación después de cada época. Puede desactivar esta función configurando la opción COMET_EVAL_LOG_CONFUSION_MATRIX a "false". La matriz de confusión sólo se registrará una vez, una vez finalizado el entrenamiento.

import os

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

Registro sin conexión

Si se encuentra en una situación en la que el acceso a Internet es limitado, Comet ML ofrece una opción de registro sin conexión. Puede configurar el COMET_MODE a "offline" para activar esta función. Los datos de su experimento se guardarán localmente en un directorio que podrá cargar posteriormente en Comet ML cuando disponga de conexión a Internet.

import os

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

Resumen

Esta guía le ha guiado a través de la integración de Comet ML con Ultralytics' YOLO11. Desde la instalación hasta la personalización, ha aprendido a agilizar la gestión de experimentos, obtener información en tiempo real y adaptar el registro a las necesidades de su proyecto.

Explore la documentación oficial deComet ML para obtener más información sobre la integración con YOLO11.

Además, si desea profundizar en las aplicaciones prácticas de YOLO11, concretamente para tareas de segmentación de imágenes, esta guía detallada sobre el ajuste fino de YOLO11 con Comet ML le ofrece valiosos conocimientos e instrucciones paso a paso para mejorar el rendimiento de su modelo.

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

PREGUNTAS FRECUENTES

¿Cómo puedo integrar Comet ML con Ultralytics YOLO11 para la formación?

Para integrar Comet ML con Ultralytics YOLO11 , siga estos pasos:

1. Instale los paquetes necesarios:

   pip install ultralytics comet_ml torch torchvision
   

2. Configure su clave API en Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Inicialice su proyecto Comet en su código Python :

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

4. Entrene su modelo YOLO11 y registre las métricas:

   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,
   )
   

Para obtener instrucciones más detalladas, consulte la sección de configuración deComet ML.

¿Cuáles son las ventajas de utilizar Comet ML con YOLO11?

Integrando Ultralytics YOLO11 con Comet ML, podrá:

• Monitoriza en tiempo real: Obtén información instantánea sobre los resultados de tu entrenamiento, lo que permite realizar ajustes rápidos.
• Registro de métricas exhaustivas: Capture automáticamente métricas esenciales como mAP, pérdidas, hiperparámetros y puntos de comprobación del modelo.
• Seguimiento de experimentos sin conexión: Registra tus entrenamientos localmente cuando no dispongas de acceso a Internet.
• Compare diferentes ejecuciones de entrenamiento: Utilice el panel interactivo Comet ML para analizar y comparar varios experimentos.

Al aprovechar estas funciones, puede optimizar sus flujos de trabajo de aprendizaje automático para mejorar el rendimiento y la reproducibilidad. Para obtener más información, visite la guía de integración deComet ML.

¿Cómo personalizo el comportamiento de registro de Comet ML durante el entrenamiento de YOLO11 ?

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

• Cambiar el número de predicciones de imagen registradas:

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

• Ajuste el intervalo de registro por lotes:

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

• Desactivar el registro de la matriz de confusión:

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

Consulte la sección de personalización Comet ML Logging para más opciones de personalización.

¿Cómo puedo ver métricas y visualizaciones detalladas de mi formación en YOLO11 en Comet ML?

Una vez que su modelo YOLO11 comienza a entrenarse, puede acceder a una amplia gama de métricas y visualizaciones en el panel Comet ML. Entre las principales funciones se incluyen:

• Paneles de experimentos: Vea diferentes ejecuciones y sus métricas, incluidas la pérdida de máscara de segmento, la pérdida de clase y la precisión media promedio.
• Métricas: Examine las métricas en formato tabular para un análisis detallado.
• Matriz de confusión interactiva: Evalúe la precisión de la clasificación con una matriz de confusión interactiva.
• Métricas del sistema: Supervise la utilización de GPU y CPU , el uso de la memoria y otras métricas del sistema.

Para obtener una descripción detallada de estas funciones, visite la sección Comprender el rendimiento de su modelo con las visualizaciones de Comet ML.

¿Puedo utilizar Comet ML para el registro fuera de línea al entrenar modelos YOLO11 ?

Sí, puede habilitar el registro sin conexión en Comet ML configurando la opción COMET_MODE a "desconectado":

import os

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

Esta función le permite registrar localmente los datos de sus experimentos, que más tarde pueden cargarse en Comet ML cuando disponga de conexión a Internet. Esto es particularmente útil cuando se trabaja en entornos con acceso limitado a Internet. Para más detalles, consulte la sección Registro sin conexión.

Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios