Elevando el entrenamiento de YOLO11: Simplifica tu proceso de registro con Comet ML

El registro de detalles clave del entrenamiento, como parámetros, métricas, predicciones de imágenes y puntos de control del modelo, es esencial en el aprendizaje automático: mantiene su proyecto transparente, su progreso medible y sus resultados repetibles.

Ver: Cómo usar Comet ML para los registros y métricas de entrenamiento del modelo YOLO de Ultralytics 🚀

Ultralytics YOLO11 se integra perfectamente con Comet ML, capturando y optimizando de manera eficiente cada aspecto del proceso de entrenamiento del modelo de detección 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, asegurando que su entrenamiento YOLO11 esté completamente documentado y ajustado para obtener resultados sobresalientes.

Comet ML

Comet ML es una plataforma para rastrear, comparar, explicar y optimizar modelos y experimentos de aprendizaje automático. 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 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.

Aprovechando el poder de YOLO11 y Comet ML

Al combinar Ultralytics YOLO11 con Comet ML, desbloqueas una serie de beneficios. Estos 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 te permite tomar decisiones basadas en datos, analizar las 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

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

# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY

Luego, puede inicializar su proyecto Comet. Comet detectará automáticamente la clave API y procederá con la configuración.

import comet_ml

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

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

Uso

Antes de sumergirse en las instrucciones de uso, asegúrese de consultar la gama de modelos YOLO11 ofrecidos por 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,
)

Después de ejecutar el código de entrenamiento, Comet ML creará un experimento en tu espacio de trabajo de Comet para rastrear la ejecución automáticamente. A continuación, se te proporcionará un enlace para ver el registro detallado del proceso de entrenamiento de tu modelo YOLO11.

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 de la imagen.

Comprensión del rendimiento de tu modelo con las visualizaciones de Comet ML

Profundicemos en lo que verá en el panel de Comet ML una vez que su modelo YOLO11 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 tiene una visita rápida:

Paneles de Experimentación

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

Métricas

En la sección de métricas, también tiene la opción de examinar las métricas 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 la clasificación del modelo. Detalla las predicciones correctas e incorrectas, lo que te permite comprender las fortalezas y debilidades del modelo.

Métricas del sistema

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

Personalización del registro de Comet ML

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

Registro de predicciones de imágenes

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

import os

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

Intervalo de Registro por Lote

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

import os

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

Desactivar el 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 el COMET_EVAL_LOG_CONFUSION_MATRIX variable de entorno a "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 se encuentra en una situación donde el acceso a Internet es limitado, Comet ML proporciona una opción de registro sin conexión. Puede configurar el COMET_MODE variable de entorno a "offline" para habilitar esta función. Los datos de su experimento se guardarán localmente en un directorio que podrá subir posteriormente a Comet ML cuando disponga de conectividad a Internet.

import os

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

Resumen

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

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

Además, si busca profundizar en las aplicaciones prácticas de YOLO11, específicamente para tareas de segmentación de imágenes, esta guía detallada sobre el ajuste fino de YOLO11 con Comet ML ofrece información valiosa e instrucciones paso a paso para mejorar el rendimiento de su modelo.

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

Preguntas frecuentes

¿Cómo integro Comet ML con Ultralytics YOLO11 para el entrenamiento?

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

1. Instale los paquetes requeridos:

   pip install ultralytics comet_ml torch torchvision
   

2. Configurar su clave de API de 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. Entrena tu modelo YOLO11 y registra 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, consulta la sección de configuración de Comet ML.

¿Cuáles son los beneficios de usar Comet ML con YOLO11?

Al integrar Ultralytics YOLO11 con Comet ML, puedes:

• Monitorear información en tiempo real: Obtenga retroalimentación instantánea sobre los resultados de su entrenamiento, lo que permite realizar ajustes rápidos.
• Registre métricas exhaustivas: Capture automáticamente métricas esenciales como mAP, pérdida, hiperparámetros y puntos de control del modelo.
• Rastree experimentos sin conexión: Registre sus ejecuciones de entrenamiento localmente cuando no haya acceso a Internet.
• Compare diferentes ejecuciones de entrenamiento: Utilice el panel interactivo de Comet ML para analizar y comparar múltiples experimentos.

Al aprovechar estas características, puedes optimizar tus flujos de trabajo de aprendizaje automático para un mejor rendimiento y reproducibilidad. Para obtener más información, visita la guía de integración de Comet 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 el uso de 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"
  

• Desactivar el registro de la matriz de confusión:

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

Consulte la sección Personalización del registro de Comet ML para obtener más opciones de personalización.

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

Una vez que tu modelo YOLO11 comience a entrenarse, puedes acceder a una amplia gama de métricas y visualizaciones en el panel de control de Comet ML. Las características principales incluyen:

• Paneles de experimentos: Vea las diferentes ejecuciones y sus métricas, incluyendo la pérdida de la 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 la GPU y la CPU, el uso de la memoria y otras métricas del sistema.

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

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

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

import os

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

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

📅 Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios