Formazione Elevating YOLO11 : Semplificare il processo di registrazione con Comet ML

La registrazione dei dettagli chiave dell'addestramento, come i parametri, le metriche, le previsioni delle immagini e i punti di controllo del modello, è essenziale nell'apprendimento automatico:mantiene il progetto trasparente, i progressi misurabili e i risultati ripetibili.

Ultralytics YOLO11 si integra perfettamente con Comet ML, catturando e ottimizzando in modo efficiente ogni aspetto del processo di formazione del modello di YOLO11 rilevamento degli oggetti. In questa guida, tratteremo il processo di installazione, la configurazione di Comet ML, gli approfondimenti in tempo reale, la registrazione personalizzata e l'utilizzo offline, assicurando che l'addestramento di YOLO11 sia accuratamente documentato e messo a punto per ottenere risultati eccezionali.

Comet ML

Comet ML è una piattaforma per tracciare, confrontare, spiegare e ottimizzare i modelli e gli esperimenti di apprendimento automatico. Consente di registrare metriche, parametri, media e altro ancora durante l'addestramento del modello e di monitorare gli esperimenti attraverso un'interfaccia web esteticamente gradevole. Comet ML aiuta i data scientist a iterare più rapidamente, migliora la trasparenza e la riproducibilità e aiuta lo sviluppo di modelli di produzione.

Sfruttare la potenza di YOLO11 e Comet ML

Combinando Ultralytics YOLO11 con Comet ML, si ottiene una serie di vantaggi. Tra questi, la gestione semplificata degli esperimenti, gli approfondimenti in tempo reale per le regolazioni rapide, le opzioni di registrazione flessibili e personalizzate e la possibilità di registrare gli esperimenti offline quando l'accesso a Internet è limitato. Questa integrazione consente di prendere decisioni basate sui dati, analizzare le metriche delle prestazioni e ottenere risultati eccezionali.

Installazione

Per installare i pacchetti richiesti, eseguire:

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

Configurazione di Comet ML

Dopo aver installato i pacchetti necessari, è necessario registrarsi, ottenere una chiave APIComet e configurarla.

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

Quindi, è possibile inizializzare il progetto Comet . Comet rileverà automaticamente la chiave API e procederà con la configurazione.

import comet_ml

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

Se si utilizza un notebook Google Colab, il codice qui sopra richiede l'immissione della chiave API per l'inizializzazione.

Utilizzo

Prima di immergersi nelle istruzioni per l'uso, assicuratevi di controllare la gamma di modelliYOLO11 offerti da Ultralytics. Questo vi aiuterà a scegliere il modello più adatto alle esigenze del vostro progetto.

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,
)

Dopo l'esecuzione del codice di addestramento, Comet ML creerà un esperimento nell'area di lavoro Comet per tracciare automaticamente l'esecuzione. Verrà quindi fornito un link per visualizzare la registrazione dettagliata del processo di addestramento del modelloYOLO11 .

Comet registra automaticamente i seguenti dati senza alcuna configurazione aggiuntiva: metriche come mAP e perdita, iperparametri, punti di controllo del modello, matrice di confusione interattiva e previsioni del rettangolo di selezione dell 'immagine.

Comprendere le prestazioni del modello con le visualizzazioni ML di Comet

Vediamo cosa si vede nella dashboard di Comet ML una volta che il modello YOLO11 ha iniziato l'addestramento. La dashboard è il luogo in cui si svolge tutta l'azione, presentando una serie di informazioni registrate automaticamente attraverso immagini e statistiche. Ecco un rapido tour:

Pannelli per esperimenti

La sezione dei pannelli degli esperimenti della dashboard Comet ML organizza e presenta le diverse esecuzioni e le relative metriche, come la perdita della maschera del segmento, la perdita della classe, la precisione e la precisione media.

Metriche

Nella sezione metriche, è possibile esaminare le metriche anche in formato tabellare, visualizzate in un riquadro dedicato, come illustrato qui.

Matrice di confusione interattiva

La matrice di confusione, che si trova nella scheda Matrice di confusione, offre un modo interattivo per valutare l'accuratezza della classificazione del modello. Essa riporta in dettaglio le previsioni corrette e quelle errate, consentendo di comprendere i punti di forza e di debolezza del modello.

Metriche del sistema

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

Personalizzazione della registrazione di Comet ML

Comet ML offre la flessibilità di personalizzare il suo comportamento di registrazione impostando variabili d'ambiente. Queste configurazioni consentono di adattare Comet ML alle proprie esigenze e preferenze specifiche. Ecco alcune utili opzioni di personalizzazione:

Previsioni dell'immagine di registrazione

È possibile controllare il numero di previsioni di immagini che Comet ML registra durante gli esperimenti. Per impostazione predefinita, Comet ML registra 100 previsioni di immagini dall'insieme di validazione. Tuttavia, è possibile modificare questo numero per adattarlo alle proprie esigenze. Ad esempio, per registrare 200 previsioni di immagini, utilizzare il seguente codice:

import os

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

Intervallo di registrazione batch

Comet ML consente di specificare la frequenza di registrazione dei batch di previsioni di immagini. Il COMET_EVAL_BATCH_LOGGING_INTERVAL controlla questa frequenza. L'impostazione predefinita è 1, che registra le previsioni di ogni lotto di convalida. È possibile regolare questo valore per registrare le previsioni a un intervallo diverso. Ad esempio, impostando 4 si registreranno le previsioni di ogni quarto lotto.

import os

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

Disabilitazione della registrazione della matrice di confusione

In alcuni casi, si potrebbe non voler registrare la matrice di confusione dall'insieme di validazione dopo ogni epoca. È possibile disattivare questa funzione impostando il parametro COMET_EVAL_LOG_CONFUSION_MATRIX a "false". La matrice di confusione verrà registrata una sola volta, al termine dell'addestramento.

import os

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

Registrazione offline

Se l'accesso a Internet è limitato, Comet ML offre un'opzione di registrazione offline. È possibile impostare l'opzione COMET_MODE per abilitare questa funzione. I dati dell'esperimento verranno salvati localmente in una directory che potrà essere caricata successivamente su Comet ML quando sarà disponibile la connessione a Internet.

import os

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

Sintesi

Questa guida vi ha guidato attraverso l'integrazione di Comet ML con Ultralytics'YOLO11. Dall'installazione alla personalizzazione, avete imparato a semplificare la gestione degli esperimenti, a ottenere informazioni in tempo reale e ad adattare la registrazione alle esigenze del vostro progetto.

Esplorare la documentazione ufficiale diComet ML per ulteriori approfondimenti sull'integrazione con YOLO11.

Inoltre, se volete approfondire le applicazioni pratiche di YOLO11, in particolare per la segmentazione delle immagini, questa guida dettagliata sulla messa a punto di YOLO11 con Comet ML offre preziosi spunti e istruzioni passo-passo per migliorare le prestazioni del vostro modello.

Inoltre, per esplorare altre interessanti integrazioni con Ultralytics, consultate la pagina della guida all'integrazione, che offre una grande quantità di risorse e informazioni.

FAQ

Come si integra Comet ML con Ultralytics YOLO11 per l'addestramento?

Per integrare Comet ML con Ultralytics YOLO11 , procedere come segue:

1. Installare i pacchetti necessari:

   pip install ultralytics comet_ml torch torchvision
   

2. Impostare la chiave API di Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Inizializzare il progetto Comet nel codice Python :

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

4. Addestrare il modello YOLO11 e registrare le metriche:

   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,
   )
   

Per istruzioni più dettagliate, consultare la sezione Configurazione diComet ML.

Quali sono i vantaggi dell'utilizzo di Comet ML con YOLO11?

Integrando Ultralytics YOLO11 con Comet ML, è possibile:

• Monitoraggio in tempo reale: Ottenete un feedback istantaneo sui risultati dell'allenamento, consentendo così di apportare rapidi aggiustamenti.
• Registra metriche estese: Acquisizione automatica di metriche essenziali come mAP, perdita, iperparametri e checkpoint del modello.
• Traccia gli esperimenti offline: Registrate le vostre esercitazioni in locale quando l'accesso a Internet non è disponibile.
• Confronto di diversi addestramenti: Utilizzate la dashboard interattiva di Comet ML per analizzare e confrontare più esperimenti.

Sfruttando queste caratteristiche, è possibile ottimizzare i flussi di lavoro di apprendimento automatico per ottenere migliori prestazioni e riproducibilità. Per ulteriori informazioni, visitate la guida all'integrazione diComet ML.

Come si può personalizzare il comportamento di registrazione di Comet ML durante l'addestramento di YOLO11 ?

Comet ML consente un'ampia personalizzazione del suo comportamento di registrazione tramite variabili d'ambiente:

• Modificare il numero di previsioni di immagini registrate:

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

• Regolare l'intervallo di registrazione dei batch:

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

• Disabilita la registrazione della matrice di confusione:

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

Per ulteriori opzioni di personalizzazione, consultare la sezione Personalizzazione della registrazione di Comet ML.

Come posso visualizzare le metriche e le visualizzazioni dettagliate del mio addestramento YOLO11 su Comet ML?

Una volta avviato l'addestramento del modello YOLO11 , è possibile accedere a un'ampia gamma di metriche e visualizzazioni sulla dashboard di Comet ML. Le caratteristiche principali includono:

• Pannelli degli esperimenti: Visualizza le diverse esecuzioni e le relative metriche, tra cui la perdita della maschera del segmento, la perdita della classe e la precisione media.
• Metriche: Esaminare le metriche in formato tabellare per un'analisi dettagliata.
• Matrice di confusione interattiva: Valutare l'accuratezza della classificazione con una matrice di confusione interattiva.
• Metriche di sistema: Monitorare l'utilizzo di GPU e CPU , l'uso della memoria e altre metriche di sistema.

Per una panoramica dettagliata di queste funzioni, visitate la sezione Comprendere le prestazioni del modello con le visualizzazioni di Comet ML.

È possibile utilizzare Comet ML per la registrazione offline durante l'addestramento dei modelli YOLO11 ?

Sì, è possibile abilitare la registrazione offline in Comet ML impostando il parametro COMET_MODE su "offline":

import os

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

Questa funzione consente di registrare localmente i dati dell'esperimento, che possono essere successivamente caricati su Comet ML quando è disponibile la connessione a Internet. Questa funzione è particolarmente utile quando si lavora in ambienti con accesso limitato a Internet. Per maggiori dettagli, consultare la sezione Registrazione offline.

📅C reato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti