Elevando YOLOv8 Formación: Simplifica tu 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 de tu proyecto, tu progreso medible y tus resultados repetibles.

Ultralytics YOLOv8 se integra perfectamente con Comet ML, capturando y optimizando eficazmente cada aspecto del proceso de entrenamiento de tu modelo de detección de objetos YOLOv8 . 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, garantizando que tu entrenamiento de YOLOv8 esté completamente documentado y ajustado para obtener resultados sobresalientes.

Comet ML

Comet ML es una plataforma para seguir, comparar, explicar y optimizar modelos y experimentos de aprendizaje automático. Te permite registrar métricas, parámetros, medios y mucho más durante el entrenamiento de tus modelos 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.

Aprovechar el poder de YOLOv8 y Comet ML

Al combinar Ultralytics YOLOv8 con Comet ML, desbloqueas una serie de ventajas. Entre ellas se incluyen una gestión simplificada de los experimentos, información en tiempo real para realizar ajustes rápidos, opciones de registro flexibles y personalizadas, y la posibilidad 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, ejecuta

# Install the required packages for YOLOv8 and Comet ML
pip install ultralytics comet_ml torch torchvision

Configuración de Comet ML

Después de instalar los paquetes necesarios, tendrás que registrarte, obtener una Clave APIComet y configurarla.

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

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

import comet_ml

comet_ml.init(project_name="comet-example-yolov8-coco128")

Si utilizas un bloc de notas Google Colab, el código anterior te pedirá que introduzcas tu clave API para la inicialización.

Utilización

Antes de sumergirte en las instrucciones de uso, asegúrate de consultar la gama de modelosYOLOv8 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más apropiado para los requisitos de tu proyecto.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# train the model
results = model.train(
data="coco8.yaml",
project="comet-example-yolov8-coco128",
batch=32,
save_period=1,
save_json=True,
epochs=3
)

Tras ejecutar el código de entrenamiento, Comet ML creará un experimento en tu espacio de trabajo Comet para realizar un seguimiento automático de la ejecución. A continuación, se te proporcionará un enlace para ver el registro detallado del proceso de entrenamiento de tu modeloYOLOv8 .

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.

Comprende el rendimiento de tu modelo con Comet Visualizaciones ML

Veamos lo que verás en el panel de Comet ML una vez que tu modelo YOLOv8 comience a entrenarse. El panel de control es donde tiene lugar toda la acción, presentando una serie de información registrada automáticamente mediante visuales y estadísticas. He aquí un rápido recorrido:

Paneles de experimentación

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

Métricas

En la sección de métricas, tienes la opción de examinar las métricas también en formato tabular, que se muestra en un panel específico, 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, permitiéndote 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 entrenamiento. Incluye métricas como la utilización de la GPU, la utilización de la memoria de la GPU, la utilización de la CPU y la utilización de la RAM. Son esenciales para controlar la eficiencia del uso de recursos durante el entrenamiento del modelo.

Personaliza el registro de Comet ML

Comet ML ofrece la flexibilidad de personalizar su comportamiento de registro estableciendo variables de entorno. Estas configuraciones te permiten adaptar Comet ML a tus necesidades y preferencias específicas. Aquí tienes algunas opciones de personalización útiles:

Registro de predicciones de imagen

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

import os

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

Intervalo de registro por lotes

Comet ML te 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 por defecto es 1, que registra las predicciones de cada lote de validación. Puedes ajustar este valor para registrar las predicciones en un intervalo diferente. Por ejemplo, si lo ajustas a 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, puede que no quieras registrar la matriz de confusión de tu conjunto de validación después de cada época. Puedes desactivar esta función configurando la opción COMET_EVAL_LOG_CONFUSION_MATRIX a "falso". 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 te encuentras en una situación en la que el acceso a Internet es limitado, Comet ML proporciona una opción de registro sin conexión. Puedes configurar el COMET_MODE a "sin conexión" para activar esta función. Los datos de tu experimento se guardarán localmente en un directorio que podrás cargar más tarde en Comet ML cuando dispongas de conexión a Internet.

import os

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

Resumen

Esta guía te ha guiado a través de la integración de Comet ML con Ultralytics' YOLOv8. Desde la instalación hasta la personalización, has aprendido a agilizar la gestión de experimentos, obtener información en tiempo real y adaptar el registro a las necesidades de tu proyecto.

Explora la documentación oficial deComet ML para obtener más información sobre la integración con YOLOv8.

Además, si quieres profundizar en las aplicaciones prácticas de YOLOv8, en concreto para tareas de segmentación de imágenes, esta guía detallada sobre el ajuste fino de YOLOv8 con Comet ML ofrece valiosos conocimientos e instrucciones paso a paso para mejorar el rendimiento de tu modelo.

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

Comentarios