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

Registrar detalles clave del entrenamiento, como parámetros, métricas, predicciones de imágenes y 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 YOLO26 object detection . 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 completamente documentado y ajustado para obtener resultados sobresalientes.

Comet

Comet es una plataforma para rastrear, comparar, explicar y optimizar modelos de aprendizaje automático y experimentos. Te permite registrar métricas, parámetros, medios y más durante el entrenamiento de tu modelo y supervisar 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 utilizando un notebook de Google Colab, el código anterior te pedirá que introduzcas 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 automáticamente un experimento en tu espacio de trabajo de Comet para rastrear la ejecución. Se te proporcionará 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, coordenadas de la bboxmodel checkpoints

, matriz de confusión interactiva y predicciones de imágenes.

Comprendiendo el rendimiento de tu modelo con visualizaciones de Comet

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

Paneles de experimentosLa sección de paneles de experimentos del panel de control de Comet organiza y presenta las diferentes ejecuciones y sus métricas, tales como la pérdida de máscara de segmentación, la pérdida de clase, la precisión y la .

Métricas

mAP

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.Matriz de confusión

Interactiva precisiónLa matriz de confusión, que se encuentra en la pestaña Confusion Matrix, proporciona una forma interactiva de evaluar la

precisión de clasificación

del modelo. Detalla las predicciones correctas e incorrectas, lo que te permite entender 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 GPU, la utilización de CPU y el uso de RAM. Estas son esenciales para supervisar 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 configurando variables de entorno. Estas configuraciones te permiten adaptar Comet a tus necesidades y preferencias específicas. Aquí tienes algunas opciones de personalización útiles:

import os

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

Registro de predicciones de imágenes

Puedes controlar el número de predicciones de imágenes que Comet registra durante tus experimentos. Por defecto, Comet registra 100 predicciones de imágenes del conjunto de validación. Sin embargo, puedes cambiar este número para que se adapte mejor a tus necesidades. Por ejemplo, para registrar 200 predicciones de imágenes, usa el siguiente código:COMET_EVAL_BATCH_LOGGING_INTERVALIntervalo de registro por lotes

import os

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

Comet te permite especificar la frecuencia con la que se registran los lotes de predicciones de imágenes. La variable de entorno

controla esta frecuencia. La configuración predeterminada es 1, que registra las predicciones de cada lote de validación. Puedes ajustar este valor para registrar predicciones en un intervalo diferente. Por ejemplo, establecerlo en 4 registrará predicciones de cada cuarto lote.épocaDesactivar el registro de la matriz de confusiónCOMET_EVAL_LOG_CONFUSION_MATRIXEn algunos casos, es posible que no desees registrar la matriz de confusión de tu conjunto de validación después de cada

import os

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

época

. Puedes desactivar esta función estableciendo la variable de entorno COMET_MODE en "false". La matriz de confusión solo se registrará una vez, después de completar el entrenamiento.

import os

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

Resumen

Registro sin conexión

Si te encuentras en una situación donde el acceso a Internet es limitado, Comet ofrece una opción de registro sin conexión. Puedes configurar la variable de entorno en "offline" para activar esta función. Los datos de tu experimento se guardarán localmente en un directorio que luego podrás subir a Comet cuando tengas conexión a Internet.Esta guía te ha llevado 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 segmentación de imágenesdocumentación oficial de integración de YOLOv8 con Comet, que también se aplica a los proyectos de YOLO26.Además, si buscas profundizar en las aplicaciones prácticas de YOLO26, específicamente para tareas de

detección, esta guía detallada sobre ajuste fino de YOLO26 con Comet

Preguntas frecuentes

ofrece valiosas perspectivas e instrucciones paso a paso para mejorar el rendimiento de tu modelo.

Además, para explorar otras interesantes integraciones con Ultralytics, consulta la

1. página de la guía de integración:

   pip install ultralytics comet_ml torch torchvision

2. , que ofrece una gran cantidad de recursos e información.:

   export COMET_API_KEY=YOUR_API_KEY

3. ¿Cómo integro Comet con Ultralytics YOLO26 para el entrenamiento?:

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

4. Para integrar Comet con Ultralytics YOLO26, sigue estos pasos::

   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 Instala los paquetes necesarios.

Configura tu Comet API Key

Inicializa tu proyecto de Comet en tu código Python

• Entrena tu modelo YOLO26 y registra las métricasSección de configuración de Comet
• ¿Cuáles son los beneficios de usar Comet con YOLO26?Al integrar Ultralytics YOLO26 con Comet, puedes:
• Monitorizar perspectivas en tiempo real: Obtén información instantánea sobre los resultados de tu entrenamiento, lo que permite realizar ajustes rápidos.
• Registrar métricas extensas: Captura automáticamente métricas esenciales como mAP, pérdida, hiperparámetros y model checkpoints.

Rastrear experimentos sin conexión: Registra tus ejecuciones de entrenamiento localmente cuando no dispongas de acceso a Internet..

Comparar diferentes ejecuciones de entrenamiento

: Usa el panel interactivo de Comet para analizar y comparar múltiples experimentos.

• Al aprovechar estas funciones, puedes optimizar tus flujos de trabajo de aprendizaje automático para obtener un mejor rendimiento y reproducibilidad. Para obtener más información, visita la :

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

• guía de integración de Comet:

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

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

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

Consulta la Métricas del sistemaComet permite una amplia personalización de su comportamiento de registro mediante variables de entorno:

Cambiar el número de predicciones de imágenes registradas

Ajustar el intervalo de registro por lotes

• Vamos a profundizar en lo que verás en el panel de Comet una vez que tu modelo YOLO26 comience a entrenar. El panel es donde ocurre toda la acción, presentando una variedad de información registrada automáticamente a través de imágenes y estadísticas. Aquí tienes un rápido recorrido:Desactivar el registro de la matriz de confusiónprecisión.
• Métricas sección 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 Comet. Las características clave incluyen:
• precisión de clasificación: Mira diferentes ejecuciones y sus métricas, incluyendo pérdida de máscara de segmentación, pérdida de clase y

mAP, matriz de confusión interactiva y predicciones de imágenes..

: Examina las métricas en formato tabular para un análisis detallado.

Matriz de confusión interactivaCOMET_MODE: Evalúa la precisión de la clasificación con una matriz de confusión interactiva.

import os

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

: Monitorea la utilización de GPU y CPU, uso de memoria y otras métricas del sistema.época.