Link to this sectionElevando 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 el aprendizaje automático: mantiene tu proyecto transparente, tu progreso medible y tus resultados repetibles.

Ultralytics YOLO26 se integra a la perfección con Comet (anteriormente Comet ML), capturando y optimizando de forma eficiente cada aspecto del proceso de entrenamiento de tu modelo de detección de objetos 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 con YOLO26 esté minuciosamente documentado y ajustado para obtener resultados sobresalientes.

Link to this sectionComet#

Comet es una plataforma para rastrear, comparar, explicar y optimizar modelos y experimentos de aprendizaje automático. Te permite registrar métricas, parámetros, contenido multimedia 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 con mayor rapidez, mejora la transparencia y la reproducibilidad, y ayuda en el desarrollo de modelos de producción.

Link to this sectionAprovechando el poder de YOLO26 y Comet#

Al combinar Ultralytics YOLO26 con Comet, desbloqueas una serie de beneficios. Estos incluyen una gestión de experimentos simplificada, perspectivas en tiempo real para realizar 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.

Link to this sectionInstalación#

Para instalar los paquetes requeridos, ejecuta:

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

Link to this sectionConfiguración de Comet#

Después de instalar los paquetes requeridos, necesitarás 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 utilizas un cuaderno de Google Colab, el código anterior te pedirá que introduzcas tu API key para la inicialización.

Link to this sectionUso#

Antes de profundizar en las instrucciones de uso, asegúrate de echar un vistazo a la gama de modelos de 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 configuración adicional: métricas como mAP y pérdida, hiperparámetros, puntos de control del modelo, matriz de confusión interactiva y predicciones de bounding box de imágenes.

Link to this sectionEntender el rendimiento de tu modelo con las visualizaciones de Comet#

Adentrémonos 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 gama de información registrada automáticamente a través de gráficos y estadísticas. Aquí tienes un breve recorrido:

Paneles de experimentos

La sección de paneles de experimentos del panel 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 formato tabular, lo cual 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 precisión de clasificación del modelo. Detalla las predicciones correctas e incorrectas, permitiéndote 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 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.

Link to this sectionPersonalización del 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. La devolución de llamada (callback) de Ultralytics lee las siguientes variables de entorno (configúralas antes de que comience el entrenamiento):

Link to this sectionRegistro 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 adaptarlo 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"

Para desactivar el registro de predicciones de imágenes por completo (por ejemplo, para reducir el volumen de carga en conexiones lentas), configura COMET_EVAL_LOG_IMAGE_PREDICTIONS a "false":

import os

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

Link to this sectionIntervalo 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"

Link to this sectionDesactivación del registro de la matriz de confusión#

En algunos casos, es posible que no quieras registrar la matriz de confusión de tu conjunto de validación después de cada epoch. Puedes desactivar 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 completar el entrenamiento.

import os

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

Link to this sectionModo en línea y sin conexión#

De forma predeterminada, Comet se ejecuta en modo en línea y transmite los datos del experimento a los servidores de Comet. Si necesitas entrenar sin acceso a internet, configura COMET_START_ONLINE=0 antes de que comience el entrenamiento. Los datos del experimento se guardan localmente y se pueden cargar más tarde con la CLI comet upload.

import os

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

Link to this sectionNombre del proyecto#

De forma predeterminada, la devolución de llamada de Comet pasa el argumento de entrenamiento project de YOLO a Comet (o None cuando el argumento no está configurado, en cuyo caso Comet usa el valor predeterminado de tu espacio de trabajo). Sobrescríbelo con COMET_PROJECT_NAME para enviar todos los experimentos a un proyecto de espacio de trabajo de Comet específico, independientemente del argumento de entrenamiento de YOLO:

import os

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

Link to this sectionNombre del artefacto del modelo#

COMET_MODEL_NAME establece el nombre que registra Comet para el artefacto del modelo registrado (por defecto es Ultralytics). Úsalo para diferenciar variantes de modelos en un espacio de trabajo compartido:

import os

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

Link to this sectionEscalado de la puntuación de confianza#

Las puntuaciones de confianza de detección se emiten en el rango [0, 1], pero la interfaz de usuario de Comet las muestra en una escala porcentual de forma predeterminada. La devolución de llamada multiplica cada puntuación por COMET_MAX_CONFIDENCE_SCORE (predeterminado 100.0) antes de registrar. Ajusta esto si prefieres probabilidades brutas o una escala diferente:

import os

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

Link to this sectionResumen#

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 documentación 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 segmentación de imágenes, esta guía detallada sobre el ajuste fino de YOLO26 con Comet ofrece información valiosa e instrucciones paso a paso para mejorar el rendimiento de tu modelo.

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

Link to this sectionFAQ#

Link to this section¿Cómo integro Comet con YOLO26 de Ultralytics para el entrenamiento?#

Para integrar Comet con YOLO26 de Ultralytics, sigue estos pasos:

1. Instala los paquetes requeridos:

   pip install ultralytics comet_ml torch torchvision

2. Configura tu API Key de Comet:

   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 las 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.

Link to this section¿Cuáles son los beneficios de usar Comet con YOLO26?#

Al integrar YOLO26 de Ultralytics con Comet, puedes:

• Monitorear perspectivas en tiempo real: Obtén retroalimentación instantánea sobre tus resultados de entrenamiento, lo que permite realizar 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: 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 guía de integración de Comet.

Link to this section¿Cómo personalizo el comportamiento de registro de Comet durante el entrenamiento de YOLO26?#

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

• Cambia el número de predicciones de imágenes registradas:

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

• Ajusta el intervalo de registro por lotes:

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

• Desactiva el registro de la matriz de confusión:

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

• Establece el nombre del proyecto en Comet:

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

• Establece el nombre del artefacto del modelo registrado:

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

Consulta la sección Personalización del registro en Comet para obtener la lista completa, que incluye los interruptores de predicción de imágenes, el escalado de puntuación de confianza y el modo online/offline.

Link to this section¿Cómo puedo ver métricas detalladas y visualizaciones de mi entrenamiento de YOLO26 en Comet?#

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

• Paneles de experimentos: Visualiza diferentes ejecuciones y sus métricas, incluyendo la pérdida de máscaras de segmentación, la pérdida de clase y la precisión media.
• Métricas: Examina las métricas en formato tabular para un análisis detallado.
• Matriz de confusión interactiva: Evalúa la precisión de la clasificación con una matriz de confusión interactiva.
• Métricas del sistema: Supervisa la utilización de GPU y CPU, el uso de memoria y otras métricas del sistema.

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

Link to this section¿Puedo usar Comet para el registro offline al entrenar modelos YOLO26?#

Sí. Establece COMET_START_ONLINE=0 antes de que comience el entrenamiento para registrar localmente:

import os

os.environ["COMET_START_ONLINE"] = "0"

Los datos del experimento se guardan en el disco y se pueden cargar en Comet más tarde con la CLI comet upload cuando haya conectividad disponible. La variable anterior COMET_MODE="offline" sigue funcionando, pero emite un aviso de obsolescencia. Para más detalles, consulta la sección Modo Online y Offline.