Elevating YOLO11 Training : Simplifiez votre processus d'enregistrement avec Comet ML

L'enregistrement des détails clés de la formation, tels que les paramètres, les métriques, les prédictions d'images et les points de contrôle du modèle, est essentiel dans l'apprentissage automatique : ilassure la transparence de votre projet, la mesure de vos progrès et la reproductibilité de vos résultats.

Ultralytics YOLO11 s'intègre parfaitement à Comet ML, capturant et optimisant efficacement chaque aspect du processus de formation de votre modèle dedétection d'objets YOLO11 . Dans ce guide, nous aborderons le processus d'installation, la configuration de Comet ML, les informations en temps réel, la journalisation personnalisée et l'utilisation hors ligne, en veillant à ce que votre formation YOLO11 soit entièrement documentée et ajustée pour obtenir des résultats exceptionnels.

Comet ML

Comet ML est une plateforme permettant de suivre, de comparer, d'expliquer et d'optimiser les modèles et les expériences d'apprentissage automatique. Elle vous permet d'enregistrer des métriques, des paramètres, des médias et bien d'autres choses encore pendant l'entraînement de votre modèle et de suivre vos expériences par le biais d'une interface web esthétiquement agréable. Comet ML aide les scientifiques des données à itérer plus rapidement, améliore la transparence et la reproductibilité, et facilite le développement de modèles de production.

Exploiter la puissance de YOLO11 et Comet ML

En combinant Ultralytics YOLO11 avec Comet ML, vous bénéficiez d'une série d'avantages. Ceux-ci comprennent une gestion simplifiée des expériences, des informations en temps réel pour des ajustements rapides, des options d'enregistrement flexibles et personnalisées, et la possibilité d'enregistrer des expériences hors ligne lorsque l'accès à Internet est limité. Cette intégration vous permet de prendre des décisions fondées sur des données, d'analyser les mesures de performance et d'obtenir des résultats exceptionnels.

Installation

Pour installer les paquets nécessaires, exécutez :

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

Configuration de Comet ML

Après avoir installé les paquets nécessaires, vous devrez vous inscrire, obtenir une clé APIComet et la configurer.

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

Ensuite, vous pouvez initialiser votre projet Comet . Comet détectera automatiquement la clé API et procédera à l'installation.

import comet_ml

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

Si vous utilisez un ordinateur portable Google Colab, le code ci-dessus vous demandera d'entrer votre clé API pour l'initialisation.

Utilisation

Avant de vous plonger dans les instructions d'utilisation, n'oubliez pas de consulter la gamme de modèlesYOLO11 proposée par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié aux exigences de votre projet.

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,
)

Après avoir exécuté le code de formation, Comet ML créera une expérience dans votre espace de travail Comet pour suivre l'exécution automatiquement. Vous recevrez alors un lien vous permettant d'afficher le journal détaillé du processus de formation de votre modèleYOLO11 .

Comet enregistre automatiquement les données suivantes sans configuration supplémentaire : métriques telles que mAP et perte, hyperparamètres, points de contrôle du modèle, matrice de confusion interactive et prédictions de la boîte englobante de l' image.

Comprendre les performances de votre modèle avec Comet Visualisations ML

Voyons ce que vous verrez sur le tableau de bord Comet ML une fois que votre modèle YOLO11 aura commencé à s'entraîner. Le tableau de bord est l'endroit où toute l'action se passe, présentant une gamme d'informations enregistrées automatiquement par le biais de visuels et de statistiques. Voici une visite rapide :

Panneaux d'expérience

La section des panneaux d'expérience du tableau de bord Comet ML organise et présente les différentes exécutions et leurs mesures, telles que la perte de masque de segment, la perte de classe, la précision et la précision moyenne.

Métriques

Dans la section des métriques, vous avez la possibilité d'examiner les métriques sous forme de tableau, qui s'affiche dans un volet dédié, comme illustré ici.

Matrice de confusion interactive

La matrice de confusion, qui se trouve dans l'onglet Matrice de confusion, offre un moyen interactif d'évaluer la précision de la classification du modèle. Elle détaille les prédictions correctes et incorrectes, ce qui vous permet de comprendre les forces et les faiblesses du modèle.

Mesures du système

Comet ML enregistre les mesures du système pour aider à identifier les goulots d'étranglement dans le processus de formation. Il comprend des mesures telles que l'utilisation de GPU , l'utilisation de la mémoire de GPU , l'utilisation de CPU et l'utilisation de la RAM. Ces mesures sont essentielles pour contrôler l'efficacité de l'utilisation des ressources pendant la formation du modèle.

Personnalisation de Comet ML Logging

Comet ML offre la possibilité de personnaliser son comportement en matière de journalisation en définissant des variables d'environnement. Ces configurations vous permettent d'adapter Comet ML à vos besoins et préférences spécifiques. Voici quelques options de personnalisation utiles :

Prédictions concernant les images d'enregistrement

Vous pouvez contrôler le nombre de prédictions d'images que Comet ML enregistre au cours de vos expériences. Par défaut, Comet ML enregistre 100 prédictions d'images à partir de l'ensemble de validation. Cependant, vous pouvez modifier ce nombre pour mieux répondre à vos besoins. Par exemple, pour enregistrer 200 prédictions d'images, utilisez le code suivant :

import os

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

Intervalle d'enregistrement des lots

Comet ML vous permet de spécifier la fréquence d'enregistrement des lots de prédictions d'images. La fonction COMET_EVAL_BATCH_LOGGING_INTERVAL contrôle cette fréquence. La valeur par défaut est 1, ce qui permet d'enregistrer les prédictions de chaque lot de validation. Vous pouvez ajuster cette valeur pour enregistrer les prédictions à un intervalle différent. Par exemple, la valeur 4 permet d'enregistrer les prédictions d'un lot sur quatre.

import os

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

Désactivation de l'enregistrement de la matrice de confusion

Dans certains cas, il n'est pas nécessaire d'enregistrer la matrice de confusion de votre ensemble de validation après chaque époque. Vous pouvez désactiver cette fonction en réglant le paramètre COMET_EVAL_LOG_CONFUSION_MATRIX à "false". La matrice de confusion ne sera enregistrée qu'une seule fois, une fois la formation terminée.

import os

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

Enregistrement hors ligne

Si vous vous trouvez dans une situation où l'accès à Internet est limité, Comet ML propose une option d'enregistrement hors ligne. Vous pouvez définir l'option COMET_MODE à "offline" pour activer cette fonctionnalité. Vos données d'expérience seront enregistrées localement dans un répertoire que vous pourrez télécharger ultérieurement sur Comet ML lorsque vous disposerez d'une connexion Internet.

import os

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

Résumé

Ce guide vous a guidé dans l'intégration de Comet ML avec Ultralytics'YOLO11. De l'installation à la personnalisation, vous avez appris à rationaliser la gestion des expériences, à obtenir des informations en temps réel et à adapter la journalisation aux besoins de votre projet.

Explorez la documentation officielle deComet ML pour en savoir plus sur l'intégration avec YOLO11.

En outre, si vous souhaitez approfondir les applications pratiques de YOLO11, en particulier pour les tâches de segmentation d'images, ce guide détaillé sur l'optimisation de YOLO11 avec Comet ML offre des informations précieuses et des instructions étape par étape pour améliorer les performances de votre modèle.

En outre, pour découvrir d'autres intégrations passionnantes avec Ultralytics, consultez la page du guide d'intégration, qui offre une multitude de ressources et d'informations.

FAQ

Comment intégrer Comet ML avec Ultralytics YOLO11 pour la formation ?

Pour intégrer Comet ML à Ultralytics YOLO11 , suivez les étapes suivantes :

1. Installez les paquets nécessaires:

   pip install ultralytics comet_ml torch torchvision
   

2. Configurez votre clé API Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Initialisez votre projet Comet dans votre code Python :

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

4. Entraînez votre modèle YOLO11 et enregistrez les mesures :

   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,
   )
   

Pour des instructions plus détaillées, reportez-vous à la section relative à la configuration deComet ML.

Quels sont les avantages de l'utilisation de Comet ML avec YOLO11?

En intégrant Ultralytics YOLO11 avec Comet ML, vous pouvez :

• Suivre les résultats en temps réel: Obtenez un retour d'information instantané sur les résultats de votre formation, ce qui vous permet de procéder à des ajustements rapides.
• Enregistrement de métriques étendues: Enregistrez automatiquement les paramètres essentiels tels que mAP, perte, hyperparamètres et points de contrôle du modèle.
• Suivez vos expériences hors ligne: Enregistrez vos formations localement lorsque l'accès à Internet n'est pas disponible.
• Comparez différentes séries d'entraînement: Utilisez le tableau de bord interactif Comet ML pour analyser et comparer plusieurs expériences.

En tirant parti de ces fonctionnalités, vous pouvez optimiser vos flux de travail d'apprentissage automatique pour améliorer les performances et la reproductibilité. Pour plus d'informations, consultez le guide d'intégrationComet ML.

Comment puis-je personnaliser le comportement de journalisation de Comet ML pendant la formation YOLO11 ?

Comet ML permet une personnalisation poussée de son comportement en matière de journalisation à l'aide de variables d'environnement :

• Modifier le nombre de prédictions d'images enregistrées:

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

• Ajuster l'intervalle d'enregistrement des lots :

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

• Désactiver l'enregistrement de la matrice de confusion:

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

Reportez-vous à la section Personnalisation de Comet ML Logging pour plus d'options de personnalisation.

Comment puis-je consulter des mesures et des visualisations détaillées de ma formation YOLO11 sur Comet ML ?

Une fois que votre modèle YOLO11 commence à s'entraîner, vous pouvez accéder à un large éventail de mesures et de visualisations sur le tableau de bord Comet ML. Les principales caractéristiques sont les suivantes

• Panneaux d'expérience: Visualisez différentes exécutions et leurs mesures, notamment la perte de masque de segment, la perte de classe et la précision moyenne.
• Mesures: Examinez les mesures sous forme de tableaux pour une analyse détaillée.
• Matrice de confusion interactive: Évaluez la précision de la classification à l'aide d'une matrice de confusion interactive.
• Mesures du système: Surveillez l'utilisation de GPU et CPU , l'utilisation de la mémoire et d'autres paramètres du système.

Pour un aperçu détaillé de ces fonctionnalités, consultez la section Comprendre les performances de votre modèle avec Comet ML Visualizations.

Puis-je utiliser Comet ML pour la journalisation hors ligne lors de l'entraînement des modèles YOLO11 ?

Oui, vous pouvez activer la journalisation hors ligne dans Comet ML en définissant le paramètre COMET_MODE sur "offline" :

import os

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

Cette fonction vous permet d'enregistrer localement les données de vos expériences, qui peuvent ensuite être téléchargées sur Comet ML lorsque la connectivité Internet est disponible. Cette fonction est particulièrement utile lorsque vous travaillez dans des environnements où l'accès à Internet est limité. Pour plus de détails, reportez-vous à la section Enregistrement hors ligne.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires