Link to this sectionMigliorare l'addestramento di YOLO26: Semplifica il tuo processo di logging con Comet#

Registrare dettagli chiave dell'addestramento come parametri, metriche, predizioni di immagini e checkpoint del modello è fondamentale 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, il logging personalizzato e l'utilizzo offline, assicurandoci che il tuo addestramento YOLO26 sia accuratamente documentato e ottimizzato per risultati eccezionali.

Link to this sectionComet#

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

Link to this sectionSfruttare 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.

Link to this sectionInstallazione#

Per installare i pacchetti richiesti, esegui:

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

Link to this sectionConfigurare 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.

Link to this sectionUtilizzo#

Prima di immergerti nelle istruzioni per l'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per i 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 workspace Comet per tracciare automaticamente l'esecuzione. Ti verrà quindi fornito un link per visualizzare il logging dettagliato del processo di addestramento del tuo modello YOLO26.

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

Link to this sectionComprendere 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 dell'esperimento della dashboard di Comet organizza e presenta le diverse esecuzioni e le loro metriche, come la loss della segment mask, la loss della classe, la precision 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.

Matrice di confusione interattiva

La matrice di confusione, che si trova nella scheda Confusion Matrix, fornisce un modo interattivo per valutare l'accuratezza di classificazione del modello. Dettaglia le predizioni corrette e quelle errate, permettendoti di comprendere i punti di forza e le debolezze 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.

Link to this sectionPersonalizzare 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):

Link to this sectionRegistrazione 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 il logging delle predizioni delle immagini (ad esempio, per ridurre il volume di upload su connessioni lente), imposta COMET_EVAL_LOG_IMAGE_PREDICTIONS su "false":

import os

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

Link to this sectionIntervallo di logging dei batch#

Comet ti consente di specificare quanto spesso vengono registrati i batch di predizioni di 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 a 4, si registreranno le predizioni ogni quattro batch.

import os

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

Link to this sectionDisabilitare il logging della matrice di confusione#

In alcuni casi, potresti non voler registrare la matrice di confusione dal tuo set di validazione dopo ogni epoca. Puoi disabilitare questa funzionalità impostando la variabile d'ambiente COMET_EVAL_LOG_CONFUSION_MATRIX su "false". La matrice di confusione verrà registrata solo una volta, dopo che l'addestramento è stato completato.

import os

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

Link to this sectionModalità online e offline#

Per impostazione predefinita, Comet funziona in modalità online e trasmette i dati dell'esperimento ai server Comet. Se hai bisogno di addestrare 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 seguito con la CLI comet upload.

import os

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

Link to this sectionNome del progetto#

Per impostazione predefinita, il callback di Comet passa l'argomento di addestramento project di YOLO a Comet (o None quando l'argomento non è impostato, nel qual caso Comet utilizza il default del tuo workspace). Sovrascrivi questo con COMET_PROJECT_NAME per inviare tutti gli esperimenti a un progetto del workspace Comet specifico indipendentemente dall'argomento di addestramento YOLO:

import os

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

Link to this sectionNome dell'artifact del modello#

COMET_MODEL_NAME imposta il nome che Comet registra per l'artifact del modello (il valore predefinito è Ultralytics). Usalo per differenziare le varianti del modello in un workspace condiviso:

import os

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

Link to this sectionScalatura del punteggio di confidenza#

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

import os

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

Link to this sectionRiepilogo#

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 stai cercando di approfondire le applicazioni pratiche di YOLO26, specificamente per i task di image segmentation, questa guida dettagliata sul fine-tuning di YOLO26 con Comet offre approfondimenti preziosi e istruzioni passo dopo 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 vasta gamma di risorse e informazioni.

Link to this sectionFAQ#

Link to this sectionCome integro Comet con Ultralytics YOLO26 per l'addestramento?#

Per integrare Comet con Ultralytics YOLO26, segui questi passaggi:

1. Installa i pacchetti necessari:

   pip install ultralytics comet_ml torch torchvision

2. Configura la tua API Key di Comet:

   export COMET_API_KEY=YOUR_API_KEY

3. Inizializza il tuo progetto Comet nel tuo codice Python:

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

4. Addestra il tuo modello YOLO26 e registra le metriche:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo26-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )

Per istruzioni più dettagliate, fai riferimento alla sezione sulla configurazione di Comet.

Link to this sectionQuali sono i vantaggi dell'utilizzo di Comet con YOLO26?#

Integrando Ultralytics YOLO26 con Comet, puoi:

• Monitorare approfondimenti in tempo reale: Ottieni un feedback istantaneo sui risultati del tuo addestramento, consentendo aggiustamenti rapidi.
• Registrare metriche estese: Cattura automaticamente metriche essenziali come mAP, loss, iperparametri e checkpoint del modello.
• Tracciare esperimenti offline: Registra le tue esecuzioni di addestramento localmente quando l'accesso a internet non è disponibile.
• Confrontare diverse esecuzioni di addestramento: Usa la dashboard interattiva di Comet per analizzare e confrontare esperimenti multipli.

Sfruttando queste funzionalità, puoi ottimizzare i tuoi flussi di lavoro di machine learning per ottenere migliori prestazioni e riproducibilità. Per ulteriori informazioni, visita la guida all'integrazione di Comet.

Link to this sectionCome personalizzo il comportamento di logging di Comet durante l'addestramento di YOLO26?#

Comet consente un'ampia personalizzazione del suo comportamento di logging utilizzando le variabili d'ambiente:

• Modifica il numero di predizioni di immagini registrate:

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

• Regola l'intervallo di logging dei batch:

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

• Disabilita il logging della matrice di confusione:

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

• Imposta il nome del progetto Comet:

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

• Imposta il nome dell'artifact del modello registrato:

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

Consulta la sezione Personalizzare il logging di Comet per l'elenco completo, inclusi i toggle per le predizioni delle immagini, la scalatura del punteggio di confidenza e la modalità online/offline.

Link to this sectionCome visualizzo metriche e visualizzazioni dettagliate del mio addestramento YOLO26 su Comet?#

Una volta che il tuo modello YOLO26 inizia l'addestramento, puoi accedere a una vasta gamma di metriche e visualizzazioni sulla dashboard di Comet. Le caratteristiche chiave includono:

• Pannelli dell'esperimento: Visualizza diverse esecuzioni e le loro metriche, inclusi la loss della segment mask, la loss della classe e la precision media.
• Metriche: Esamina le metriche in formato tabellare per un'analisi dettagliata.
• Matrice di confusione interattiva: Valuta l'accuratezza di classificazione con una matrice di confusione interattiva.
• Metriche di sistema: Monitora l'utilizzo di GPU e CPU, l'uso della memoria e altre metriche di sistema.

Per una panoramica dettagliata di queste funzionalità, visita la sezione Comprendere la performance del tuo modello con le visualizzazioni di Comet.

Link to this sectionPosso usare Comet per il logging offline durante l'addestramento dei modelli YOLO26?#

Sì. Imposta COMET_START_ONLINE=0 prima che inizi l'addestramento per registrare localmente:

import os

os.environ["COMET_START_ONLINE"] = "0"

I dati dell'esperimento vengono salvati su disco e possono essere caricati su Comet in seguito con la CLI comet upload quando la connettività è disponibile. La precedente variabile COMET_MODE="offline" funziona ancora ma emette un avviso di deprecazione. Per maggiori dettagli, vedi la sezione Modalità online e offline.