Empezar

Mejora el entrenamiento de YOLO26: simplifica el 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 la transparencia de tu proyecto, permite medir los avances y hace que los resultados sean reproducibles.



Ver: Cómo usar Comet para registrar los registros y las métricas de entrenamiento de modelos Ultralytics YOLO 🚀

Ultralytics YOLO26 se integra con Comet (antes, Comet ML) para registrar el proceso de entrenamiento de tus modelos de detección de objetos YOLO26. Esta guía abarca la instalación, la configuración de Comet, la información en tiempo real, el registro personalizado y el uso sin conexión, para que las ejecuciones de entrenamiento de YOLO26 queden documentadas y se puedan reproducir.

Comet#

Comet ML experiment tracking dashboard

Comet es una plataforma para hacer un seguimiento de modelos y experimentos de aprendizaje automático, compararlos, explicarlos y optimizarlos. Te permite registrar métricas, parámetros, contenido multimedia y mucho más durante el entrenamiento de modelos, así como supervisar los experimentos a través de una interfaz web. Comet ayuda a los científicos de datos a iterar más rápidamente, mejora la transparencia y la reproducibilidad, y contribuye al desarrollo de modelos para producción.

Aprovecha el potencial de YOLO26 y Comet#

Combinar Ultralytics YOLO26 con Comet ofrece varias ventajas, como simplificar el seguimiento de experimentos, obtener información en tiempo real para realizar ajustes rápidos, disponer de opciones de registro flexibles y personalizadas, y registrar experimentos sin conexión cuando el acceso a Internet es limitado. Esta integración te ayuda a tomar decisiones basadas en datos y analizar métricas de rendimiento.

Instalación#

Para instalar los paquetes necesarios, ejecuta:

Instalación
# Install YOLO26 and Comet
pip install ultralytics comet_ml

Configuración de Comet#

Después de instalar los paquetes necesarios, tendrás que registrarte, obtener una clave de API de Comet y configurarla.

Configuración de Comet
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

A continuación, autentícate en Comet. La función de retorno de llamada de Ultralytics crea el experimento y usa el argumento de entrenamiento de YOLO project como nombre del proyecto de Comet.

Inicializar el proyecto de Comet
import comet_ml

comet_ml.login()

Si usas un cuaderno de Google Colab, el código anterior te pedirá que introduzcas tu clave de API para inicializarlo.

Uso#

Uso
from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")

# Entrenar el modelo
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Al ejecutar el código de entrenamiento, Comet creará automáticamente un experimento en tu espacio de trabajo de Comet para realizar un seguimiento de la ejecución. A continuación, recibirás un enlace para consultar el registro detallado del proceso de entrenamiento de tu modelo YOLO26.

Una vez instalado y configurado Comet, su callback se activa de forma predeterminada y registra métricas como mAP y la pérdida, hiperparámetros, puntos de control del modelo y una matriz de confusión interactiva. Se registran las predicciones de cuadros delimitadores de las imágenes del conjunto de validación para el entrenamiento de detección y segmentación con save_json=True. Ejecuta yolo settings comet=False para desactivar la integración.

Comprende el rendimiento de tu modelo con las visualizaciones de Comet#

Cuando empiece el entrenamiento de tu modelo YOLO26, el panel de Comet mostrará la información registrada automáticamente mediante gráficos y estadísticas:

Paneles de experimentos

La sección de paneles de experimentos del panel de Comet organiza y presenta las distintas ejecuciones y sus métricas, como la pérdida de la máscara de segmentación, la pérdida de clasificación, la precisión y la precisión media.

Comet experiment panels comparing YOLO26 training runs and metrics

Métricas

En la sección de métricas también puedes examinarlas en formato de tabla, que se muestra en un panel específico, como se ilustra aquí.

Comet metrics pane listing YOLO26 training metrics in a table

Matriz de confusión interactiva

La matriz de confusión, disponible en la pestaña Matriz de confusión, ofrece una forma interactiva de evaluar la precisión de clasificación del modelo. Detalla las predicciones correctas e incorrectas y te permite comprender los puntos fuertes y débiles del modelo.

Comet interactive confusion matrix for YOLO26 validation results

Métricas del sistema

Comet registra métricas del sistema para ayudarte a identificar posibles cuellos de botella en el proceso de entrenamiento. Incluye métricas como el uso de GPU, el uso de memoria de la GPU, el uso de CPU y el uso de RAM. Estas métricas son esenciales para supervisar la eficiencia del uso de recursos durante el entrenamiento del modelo.

Comet system metrics showing GPU and CPU utilization during training

Personalización del registro de Comet#

Comet ofrece flexibilidad para personalizar su comportamiento de registro mediante variables de entorno. Estas configuraciones te permiten adaptar Comet a tus necesidades y preferencias específicas. La función de retorno de llamada de Ultralytics lee las siguientes variables de entorno (defínelas antes de iniciar el entrenamiento):

Variable de entornoPredeterminadoDescripción
COMET_START_ONLINE1Ejecuta el experimento en modo en línea (1) o sin conexión (0).
COMET_PROJECT_NAMEargs.projectProyecto del espacio de trabajo de Comet. Si no se define, se usa el argumento de entrenamiento de YOLO project.
COMET_MODEL_NAMEUltralyticsNombre asignado al artefacto del modelo registrado.
COMET_MAX_IMAGE_PREDICTIONS100Número total de predicciones de imágenes de validación que se registran por ejecución.
COMET_EVAL_BATCH_LOGGING_INTERVAL1Registra predicciones de imágenes cada N lotes de validación.
COMET_EVAL_LOG_IMAGE_PREDICTIONStrueActiva (true) o desactiva (false) el registro de predicciones de imágenes.
COMET_EVAL_LOG_CONFUSION_MATRIXfalseRegistra una matriz de confusión en cada checkpoint save_period. Siempre se registra una matriz final después del entrenamiento.
COMET_MAX_CONFIDENCE_SCORE100.0Multiplicador aplicado a las puntuaciones de confianza de detección antes de registrarlas (la interfaz de Comet espera una escala porcentual).
COMET_MODE (en desuso)onlineAlias heredado de COMET_START_ONLINE ("online" ↔ 1, "offline" ↔ 0). Emite una advertencia de obsolescencia.

Para los conmutadores booleanos (COMET_EVAL_LOG_IMAGE_PREDICTIONS y COMET_EVAL_LOG_CONFUSION_MATRIX), los valores 1, true, yes, on, y y t se interpretan como True (sin distinguir entre mayúsculas y minúsculas). Cualquier otro valor se interpreta como False.

Registro de predicciones de imágenes#

Puedes controlar el número de predicciones de imágenes que Comet registra durante tus experimentos. Con save_json=True, Comet registra hasta 100 predicciones de imágenes del conjunto de validación. Sin embargo, puedes cambiar esta cantidad para adaptarla mejor a tus necesidades. Por ejemplo, para registrar 200 predicciones de imágenes, utiliza el siguiente código:

import os

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

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

import os

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

Las imágenes de los gráficos train_batch*.jpg y val_batch*.jpg siguen registrándose al final del entrenamiento.

Intervalo de registro de lotes#

Comet te permite especificar cada cuánto se registran los lotes de predicciones de imágenes. La variable de entorno COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frecuencia. El valor predeterminado es 1, que registra las predicciones de cada lote de validación. Puedes cambiar este valor para registrar las predicciones con otro intervalo. Por ejemplo, si lo estableces en 4, se registrarán las predicciones de cada cuatro lotes.

import os

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

Registro de la matriz de confusión por época#

De forma predeterminada, la matriz de confusión del conjunto de validación se registra una vez, al terminar el entrenamiento. Para registrarla también en cada checkpoint guardado por save_period (save_period=1 guarda uno en cada época), establece la variable de entorno COMET_EVAL_LOG_CONFUSION_MATRIX en "true".

import os

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

Modo en línea y sin conexión#

De forma predeterminada, Comet funciona en modo en línea y transmite los datos del experimento a los servidores de Comet. Si necesitas entrenar sin acceso a Internet, establece COMET_START_ONLINE=0 antes de iniciar el entrenamiento. Los datos del experimento se guardan localmente y se pueden subir más tarde con la CLI comet upload.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (predeterminado) = en línea, 0 = sin conexión
`COMET_MODE` está en desuso

Las versiones anteriores usaban COMET_MODE="offline" para este fin. La variable sigue admitiéndose por compatibilidad con versiones anteriores, pero emite una advertencia de obsolescencia. A partir de ahora, usa COMET_START_ONLINE.

Nombre del proyecto#

De forma predeterminada, la función de retorno de llamada de Comet pasa a Comet el argumento de entrenamiento de YOLO project (o None si no se define el argumento, en cuyo caso Comet usa el valor predeterminado de tu espacio de trabajo). Sobrescribe este valor con COMET_PROJECT_NAME para enviar todos los experimentos a un proyecto específico del espacio de trabajo de Comet, independientemente del argumento de entrenamiento de YOLO:

import os

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

Nombre del artefacto del modelo#

COMET_MODEL_NAME define el nombre que Comet asigna al artefacto del modelo registrado (de forma predeterminada, Ultralytics). Úsalo para diferenciar variantes del modelo en un espacio de trabajo compartido:

import os

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

Escalado de la puntuación de confianza#

Las puntuaciones de confianza de detección se generan en el intervalo [0, 1], pero la interfaz de Comet las muestra de forma predeterminada en una escala porcentual. La función de retorno de llamada multiplica cada puntuación por COMET_MAX_CONFIDENCE_SCORE (de forma predeterminada, 100.0) antes de registrarla. Ajusta este valor si prefieres probabilidades sin procesar u otra escala:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # registrar puntuaciones sin procesar [0, 1]

Resumen#

Esta guía te ha explicado cómo integrar Comet con Ultralytics YOLO26. Desde la instalación hasta la personalización, has aprendido a simplificar la gestión de experimentos, obtener información en tiempo real y adaptar el registro a las necesidades de tu proyecto.

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

Preguntas frecuentes#

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

    1. Instala los paquetes necesarios:

      pip install ultralytics comet_ml
    2. Configura tu clave de API de Comet:

      export COMET_API_KEY=YOUR_API_KEY
    3. Autentícate en Comet desde tu código Python:

      import comet_ml
      
      comet_ml.login()
    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.

  • Al integrar Ultralytics YOLO26 con Comet, puedes:

    • Supervisa información en tiempo real: recibe comentarios inmediatos sobre los resultados del entrenamiento, lo que te permite hacer ajustes rápidamente.
    • Registra métricas exhaustivas: captura automáticamente métricas esenciales, como mAP, la pérdida, los hiperparámetros y los puntos de control del modelo.
    • Haz un seguimiento de los experimentos sin conexión: registra localmente las ejecuciones de entrenamiento cuando no haya conexión a Internet.
    • Compara distintas ejecuciones de entrenamiento: usa el panel interactivo de Comet para analizar y comparar varios experimentos.

    Con estas funciones, puedes optimizar tus flujos de trabajo de aprendizaje automático para mejorar el rendimiento y la reproducibilidad.

  • Comet permite personalizar ampliamente su comportamiento de registro mediante variables de entorno:

    • Cambia el número de predicciones de imágenes que se registran:

      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"
    • Registra la matriz de confusión en cada checkpoint save_period:

      import os
      
      os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true"
    • Establece el nombre del proyecto de 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 de Comet para ver la lista completa, que incluye las opciones para activar o desactivar las predicciones de imágenes, el escalado de las puntuaciones de confianza y el modo en línea/sin conexión.

  • Cuando empiece el entrenamiento de tu modelo YOLO26, podrás acceder a una amplia variedad de métricas y visualizaciones en el panel de Comet. Entre las funciones principales se incluyen:

    • Paneles de experimentos: Consulta distintas ejecuciones y sus métricas, incluidas la pérdida de la máscara de segmentación, la pérdida de clase y la precisión media.
    • Métricas: examina las métricas en formato tabular para analizarlas en detalle.
    • Matriz de confusión interactiva: evalúa la precisión de la clasificación con una matriz de confusión interactiva.
    • Métricas del sistema: supervisa el uso de GPU y CPU, el consumo de memoria y otras métricas del sistema.

    Para obtener una descripción detallada de estas funciones, consulta la sección Comprende el rendimiento de tu modelo con las visualizaciones de Comet.

  • Sí. Define COMET_START_ONLINE=0 antes de iniciar el entrenamiento para registrar los datos localmente:

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

    Los datos del experimento se guardan en el disco y se pueden subir más tarde a Comet con la CLI comet upload cuando haya conexión. La variable COMET_MODE="offline" anterior sigue funcionando, pero genera un aviso de obsolescencia. Para obtener más información, consulta la sección Modo en línea y sin conexión.

Comentarios5

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. lauravchrobakGitHub

    I am getting this warning when using the above workflow, 'comet_ml.init() is deprecated and will be removed soon. Please use comet_ml.login()' perhaps the above should be updated to use comet_ml.login() instead?

    1. Paula DerrengerUltralytics

      @lauravchrobak thank you for pointing that out. The warning indicates that comet_ml.init() is deprecated and should be replaced with comet_ml.login(). We will update the documentation accordingly. For now, please use comet_ml.login() to avoid the deprecation warning. If you encounter any further issues, ensure you are using the latest versions of the packages. For more details, you can visit the Comet ML integration guide.

      1
    2. Glenn JocherUltralytics

      Thank you for your feedback! We've updated our documentation to use comet_ml.login() instead of the deprecated comet_ml.init(). This should resolve the warning you're encountering. If you have any other questions or need further assistance, feel free to ask. For more details, you can visit the Comet ML integration guide.