Migliorare l'addestramento di YOLO26: Semplifica il tuo processo di logging con Comet#

Registrare i dettagli chiave dell'addestramento come parametri, metriche, predizioni di immagini e checkpoint del modello è essenziale nel machine learning: mantiene il tuo progetto trasparente, i tuoi progressi misurabili e i tuoi risultati ripetibili.

Ultralytics YOLO26 si integra perfettamente con Comet (precedentemente Comet ML), catturando e ottimizzando in modo efficiente ogni aspetto del processo di addestramento del tuo modello di object detection YOLO26. In questa guida tratteremo il processo di installazione, la configurazione di Comet, gli approfondimenti in tempo reale, la registrazione personalizzata e l'uso offline, assicurando che il tuo addestramento YOLO26 sia accuratamente documentato e ottimizzato per risultati eccezionali.

Comet#

Comet è una piattaforma per tracciare, confrontare, spiegare e ottimizzare modelli ed esperimenti di machine learning. Ti consente di registrare metriche, parametri, contenuti multimediali e altro ancora durante l'addestramento del modello e di monitorare i tuoi esperimenti tramite un'interfaccia web esteticamente gradevole. Comet aiuta i data scientist a effettuare iterazioni più rapidamente, migliora la trasparenza e la riproducibilità e supporta lo sviluppo di modelli di produzione.

Sfruttare la potenza di YOLO26 e Comet#

Combinando Ultralytics YOLO26 con Comet, sblocchi una serie di vantaggi. Questi includono una gestione semplificata degli esperimenti, approfondimenti in tempo reale per aggiustamenti rapidi, opzioni di logging flessibili e su misura, e la possibilità di registrare gli esperimenti offline quando l'accesso a internet è limitato. Questa integrazione ti consente di prendere decisioni basate sui dati, analizzare le metriche di performance e ottenere risultati eccezionali.

Installazione#

Per installare i pacchetti richiesti, esegui:

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Configurare Comet#

Dopo aver installato i pacchetti necessari, dovrai registrarti, ottenere una Comet API Key e configurarla.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Successivamente, potrai inizializzare il tuo progetto Comet. Comet rileverà automaticamente la API key e procederà con la configurazione.

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

Se stai utilizzando un notebook Google Colab, il codice sopra ti chiederà di inserire la tua API key per l'inizializzazione.

Utilizzo#

Prima di immergiti nelle istruzioni d'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Dopo aver eseguito il codice di addestramento, Comet creerà un esperimento nel tuo spazio di lavoro Comet per tracciare automaticamente l'esecuzione. Ti verrà quindi fornito un link per visualizzare la registrazione dettagliata del processo di addestramento del modello YOLO26.

Comet registra automaticamente i seguenti dati senza alcuna configurazione aggiuntiva: metriche come mAP e perdita, iperparametri, checkpoint del modello, matrice di confusione interattiva e predizioni di bounding box delle immagini.

Comprendere la performance del tuo modello con le visualizzazioni di Comet#

Immergiamoci in ciò che vedrai sulla dashboard di Comet una volta che il tuo modello YOLO26 inizierà l'addestramento. La dashboard è dove avviene tutto, presentando una gamma di informazioni registrate automaticamente attraverso grafici e statistiche. Ecco un breve tour:

Pannelli dell'esperimento

La sezione dei pannelli degli esperimenti della dashboard di Comet organizza e presenta le diverse esecuzioni e le relative metriche, come la perdita della maschera di segmentazione, la perdita di classe, la precisione e la mean average precision.

Metriche

Nella sezione delle metriche, hai anche l'opzione di esaminare le metriche in formato tabellare, che viene visualizzato in un riquadro dedicato come illustrato qui.

Confusion Matrix interattiva

La matrice di confusione, che si trova nella scheda Confusion Matrix, offre un modo interattivo per valutare la precisione di classificazione del modello. Dettaglia le predizioni corrette e errate, consentendoti di comprendere i punti di forza e di debolezza del modello.

Metriche di sistema

Comet registra le metriche di sistema per aiutare a identificare eventuali colli di bottiglia nel processo di addestramento. Include metriche come l'utilizzo della GPU, l'uso della memoria GPU, l'utilizzo della CPU e l'uso della RAM. Queste sono essenziali per monitorare l'efficienza nell'uso delle risorse durante l'addestramento del modello.

Personalizzare il logging di Comet#

Comet offre la flessibilità di personalizzare il suo comportamento di logging impostando variabili d'ambiente. Queste configurazioni ti permettono di adattare Comet alle tue esigenze e preferenze specifiche. Il callback di Ultralytics legge le seguenti variabili d'ambiente (impostale prima che inizi l'addestramento):

Per i selettori booleani (COMET_EVAL_LOG_IMAGE_PREDICTIONS e COMET_EVAL_LOG_CONFUSION_MATRIX), i valori 1, true, yes, on, y e t vengono analizzati come True (senza distinzione tra maiuscole e minuscole). Qualsiasi altro valore viene considerato False.

Registrazione delle predizioni delle immagini#

Puoi controllare il numero di predizioni di immagini che Comet registra durante i tuoi esperimenti. Per impostazione predefinita, Comet registra 100 predizioni di immagini dal set di validazione. Tuttavia, puoi modificare questo numero per adattarlo meglio alle tue esigenze. Ad esempio, per registrare 200 predizioni di immagini, usa il seguente codice:

import os

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

Per disabilitare completamente la registrazione delle predizioni delle immagini (ad esempio, per ridurre il volume di caricamento su connessioni lente), imposta COMET_EVAL_LOG_IMAGE_PREDICTIONS su "false":

import os

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

Intervallo di logging dei batch#

Comet ti consente di specificare la frequenza con cui vengono registrati i batch di predizioni delle immagini. La variabile d'ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controlla questa frequenza. L'impostazione predefinita è 1, che registra le predizioni da ogni batch di validazione. Puoi regolare questo valore per registrare le predizioni a un intervallo diverso. Ad esempio, impostandolo su 4 verranno registrate le predizioni di ogni quarto batch.

import os

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

Disabilitare il logging della matrice di confusione#

In alcuni casi, potresti non voler registrare la matrice di confusione dal tuo set di validazione dopo ogni epoch. Puoi disabilitare questa funzione impostando la variabile d'ambiente COMET_EVAL_LOG_CONFUSION_MATRIX su "false". La matrice di confusione verrà registrata una sola volta, al termine dell'addestramento.

import os

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

Modalità online e offline#

Per impostazione predefinita, Comet viene eseguito in modalità online e trasmette i dati dell'esperimento ai server Comet. Se devi effettuare l'addestramento senza accesso a Internet, imposta COMET_START_ONLINE=0 prima che inizi l'addestramento. I dati dell'esperimento vengono salvati localmente e possono essere caricati in un secondo momento con la CLI comet upload.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Nome del progetto#

Per impostazione predefinita, il callback di Comet passa l'argomento di addestramento YOLO project a Comet (o None quando l'argomento non è impostato, nel qual caso Comet utilizza il valore predefinito del tuo spazio di lavoro). Puoi sovrascriverlo con COMET_PROJECT_NAME per inviare tutti gli esperimenti a uno specifico progetto dello spazio di lavoro Comet indipendentemente dall'argomento di addestramento YOLO:

import os

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

Nome dell'artifact del modello#

COMET_MODEL_NAME imposta il nome con cui Comet registra l'artefatto del modello registrato (per impostazione predefinita è Ultralytics). Usalo per differenziare le varianti del modello in uno spazio di lavoro condiviso:

import os

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

Scalatura del punteggio di confidenza#

I punteggi di confidenza del rilevamento vengono emessi nell'intervallo [0, 1], ma l'interfaccia utente di Comet li mostra per impostazione predefinita su una scala percentuale. Il callback moltiplica ciascun punteggio per COMET_MAX_CONFIDENCE_SCORE (predefinito 100.0) prima della registrazione. Regola questo parametro se preferisci probabilità grezze o una scala diversa:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Riepilogo#

Questa guida ti ha accompagnato nell'integrazione di Comet con lo YOLO26 di Ultralytics. Dall'installazione alla personalizzazione, hai imparato a snellire la gestione degli esperimenti, ottenere approfondimenti in tempo reale e adattare il logging alle esigenze del tuo progetto.

Esplora la documentazione ufficiale sull'integrazione di YOLOv8 con Comet, che si applica anche ai progetti YOLO26.

Inoltre, se desideri approfondire le applicazioni pratiche di YOLO26, in particolare per le attività di image segmentation, questa guida dettagliata sulla fine-tuning di YOLO26 con Comet offre spunti preziosi e istruzioni passo-passo per migliorare le prestazioni del tuo modello.

Inoltre, per esplorare altre interessanti integrazioni con Ultralytics, dai un'occhiata alla pagina della guida all'integrazione, che offre una ricchezza di risorse e informazioni.

FAQ#