Elevating YOLOv8 Training : Simplifie ton 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 : il permet à ton projet d'être transparent, à tes progrès d'être mesurables et à tes résultats d'être reproductibles.

Ultralytics YOLOv8 s'intègre parfaitement à Comet ML, capturant et optimisant efficacement chaque aspect du processus de formation de ton modèle de détection d'objets YOLOv8 . 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 ta formation YOLOv8 soit entièrement documentée et affinée pour obtenir des résultats exceptionnels.

Comet ML

Comet ML est une plateforme de suivi, de comparaison, d'explication et d'optimisation des modèles et des expériences d'apprentissage automatique. Elle te permet de consigner des métriques, des paramètres, des supports et bien plus encore pendant l'entraînement de ton modèle et de suivre tes expériences par le biais d'une interface web esthétique. Comet ML aide les scientifiques des données à itérer plus rapidement, améliore la transparence et la reproductibilité, et aide au développement de modèles de production.

Exploiter la puissance de YOLOv8 et Comet ML

En combinant Ultralytics YOLOv8 avec Comet ML, tu débloques toute une série d'avantages. Il s'agit notamment d'une gestion simplifiée des expériences, d'aperçus en temps réel pour des ajustements rapides, d'options d'enregistrement flexibles et adaptées, et de la possibilité d'enregistrer des expériences hors ligne lorsque l'accès à Internet est limité. Cette intégration te donne les moyens de prendre des décisions fondées sur les données, d'analyser les mesures de performance et d'obtenir des résultats exceptionnels.

Installation

Pour installer les paquets nécessaires, exécute :

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

Configuration de Comet ML

Après avoir installé les paquets nécessaires, tu devras t'inscrire, obtenir une clé APIComet et la configurer.

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

Tu peux ensuite initialiser ton projet Comet . Comet détectera automatiquement la clé API et procédera à la configuration.

import comet_ml

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

Si tu utilises un carnet Google Colab, le code ci-dessus te demandera d'entrer ta clé API pour l'initialisation.

Utilisation

Avant de te plonger dans les instructions d'utilisation, n'oublie pas de consulter la gamme de modèlesYOLOv8 proposée par Ultralytics. Cela t'aidera à choisir le modèle le plus approprié aux exigences de ton projet.

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
)

Après avoir exécuté le code de formation, Comet ML créera une expérience dans ton espace de travail Comet pour suivre l'exécution automatiquement. Tu recevras ensuite un lien qui te permettra de consulter le journal détaillé du processus de formation de ton modèleYOLOv8 .

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

Comprendre la performance de ton modèle avec Comet Visualisations ML

Voyons ce que tu verras sur le tableau de bord Comet ML une fois que ton modèle YOLOv8 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 un petit tour d'horizon :

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, tu as également 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 te permet de comprendre les forces et les faiblesses du modèle.

Métriques du système

Comet ML enregistre les métriques du système pour aider à identifier tout goulot d'étranglement dans le processus de formation. Il comprend des métriques telles que l'utilisation du GPU, l'utilisation de la mémoire du GPU, l'utilisation du CPU et l'utilisation de la RAM. Elles sont essentielles pour surveiller 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 te permettent d'adapter Comet ML à tes besoins et préférences spécifiques. Voici quelques options de personnalisation utiles :

Prédictions concernant les images d'enregistrement

Tu peux contrôler le nombre de prédictions d'images que Comet ML enregistre pendant tes expériences. Par défaut, Comet ML enregistre 100 prédictions d'images à partir de l'ensemble de validation. Cependant, tu peux modifier ce nombre pour qu'il corresponde mieux à tes besoins. Par exemple, pour enregistrer 200 prédictions d'images, utilise le code suivant :

import os

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

Intervalle d'enregistrement des lots

Comet ML te permet de spécifier la fréquence à laquelle les lots de prédictions d'images sont enregistrés. Les 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. Tu peux ajuster cette valeur pour enregistrer les prédictions à un intervalle différent. Par exemple, si tu la mets à 4, les prédictions seront enregistrées tous les quatre lots.

import os

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

Désactiver l'enregistrement de la matrice de confusion

Dans certains cas, tu ne souhaites pas enregistrer la matrice de confusion de ton jeu de validation après chaque époque. Tu peux désactiver cette fonction en définissant 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 tu te trouves dans une situation où l'accès à Internet est limité, Comet ML propose une option d'enregistrement hors ligne. Tu peux définir le COMET_MODE à "offline" pour activer cette fonction. Tes données d'expérience seront sauvegardées localement dans un répertoire que tu pourras ensuite télécharger sur Comet ML lorsque la connexion Internet sera disponible.

import os

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

Résumé

Ce guide t'a guidé dans l'intégration de Comet ML avec Ultralytics'YOLOv8. De l'installation à la personnalisation, tu as appris à rationaliser la gestion des expériences, à obtenir des informations en temps réel et à adapter la journalisation aux besoins de ton projet.

Explore la documentation officielle deComet ML pour en savoir plus sur l'intégration avec YOLOv8.

De plus, si tu cherches à approfondir les applications pratiques de YOLOv8, en particulier pour les tâches de segmentation d'images, ce guide détaillé sur l'affinage de YOLOv8 avec Comet ML offre des informations précieuses et des instructions étape par étape pour améliorer les performances de ton modèle.

De plus, pour explorer d'autres intégrations passionnantes avec Ultralytics, consulte la page du guide d'intégration, qui offre une multitude de ressources et d'informations.

Commentaires