Migliora l'addestramento di YOLO26: semplifica il processo di registrazione con Comet#

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

Ultralytics YOLO26 si integra perfettamente con Comet (precedentemente Comet ML), acquisendo e ottimizzando in modo efficiente ogni aspetto del processo di addestramento del tuo modello YOLO26 di rilevamento degli oggetti. In questa guida illustreremo il processo di installazione, la configurazione di Comet, gli approfondimenti in tempo reale, la registrazione personalizzata e l'utilizzo offline, per garantire che l'addestramento di YOLO26 sia documentato a fondo e ottimizzato per ottenere risultati eccellenti.

Comet#

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

Sfruttare la potenza di YOLO26 e Comet#

Combinando Ultralytics YOLO26 con Comet, puoi accedere a numerosi vantaggi. Tra questi, una gestione semplificata degli esperimenti, approfondimenti in tempo reale per apportare modifiche rapidamente, opzioni di registrazione flessibili e personalizzate 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 delle prestazioni e ottenere risultati eccezionali.

Installazione#

Per installare i pacchetti necessari, esegui:

# Install YOLO26 and Comet
pip install ultralytics comet_ml

Configurazione di Comet#

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

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Quindi, autentica Comet. Il callback di Ultralytics crea l'esperimento e usa l'argomento di addestramento YOLO project come nome del progetto Comet.

import comet_ml

comet_ml.login()

Se usi un notebook Google Colab, il codice qui sopra ti chiederà di inserire la chiave API per l'inizializzazione.

Utilizzo#

Prima di approfondire le istruzioni per l'uso, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n.pt")

# Addestra il modello
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 automaticamente un esperimento nel tuo spazio di lavoro Comet per monitorare l'esecuzione. Ti verrà quindi fornito un link per visualizzare la registrazione dettagliata del processo di addestramento del tuo modello YOLO26.

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

Comprendere le prestazioni del tuo modello con le visualizzazioni di Comet#

Vediamo cosa troverai nella dashboard di Comet quando il tuo modello YOLO26 inizierà l'addestramento. La dashboard è il centro di tutte le attività: presenta una serie di informazioni registrate automaticamente sotto forma di grafici e statistiche. Ecco una breve panoramica:

Pannelli degli esperimenti

La sezione dei pannelli degli esperimenti nella dashboard di Comet organizza e presenta le diverse esecuzioni e le relative metriche, come la loss delle maschere di segmentazione, la loss di classe, la precisione e la precisione media media.

Metriche

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

Matrice di confusione interattiva

La matrice di confusione, disponibile nella scheda Matrice di confusione, offre un modo interattivo per valutare l'accuratezza di classificazione del modello. Mostra le predizioni corrette e quelle errate, consentendoti di comprendere i punti di forza e di debolezza del modello.

Metriche di sistema

Comet registra le metriche di sistema per aiutarti a individuare 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. Sono essenziali per monitorare l'efficienza nell'utilizzo delle risorse durante l'addestramento del modello.

Personalizzazione della registrazione di Comet#

Comet offre la flessibilità di personalizzare il comportamento di registrazione impostando variabili d'ambiente. Queste configurazioni ti consentono di adattare Comet alle tue esigenze e preferenze specifiche. Il callback di Ultralytics legge le seguenti variabili d'ambiente (impostale prima dell'inizio dell'addestramento):

Per le opzioni booleane (COMET_EVAL_LOG_IMAGE_PREDICTIONS e COMET_EVAL_LOG_CONFUSION_MATRIX), i valori 1, true, yes, on, y e t vengono interpretati come True (senza distinzione tra maiuscole e minuscole). Qualsiasi altro valore viene interpretato come False.

Registrazione delle predizioni sulle immagini#

Puoi controllare il numero di predizioni sulle immagini che Comet registra durante gli esperimenti. Per impostazione predefinita, Comet registra 100 predizioni sulle immagini dal set di convalida. Tuttavia, puoi modificare questo numero in base alle tue esigenze. Ad esempio, per registrare 200 predizioni sulle immagini, usa il codice seguente:

import os

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

Per disattivare del tutto la registrazione delle predizioni sulle immagini (ad esempio, per ridurre il volume dei caricamenti sulle connessioni lente), imposta COMET_EVAL_LOG_IMAGE_PREDICTIONS su "false":

import os

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

Intervallo di registrazione dei batch#

Comet ti consente di specificare la frequenza con cui vengono registrati i batch di predizioni sulle immagini. La variabile d'ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controlla questa frequenza. L'impostazione predefinita è 1, che registra le predizioni di ogni batch di convalida. Puoi modificare questo valore per registrare le predizioni a intervalli diversi. Ad esempio, impostandolo su 4, verranno registrate le predizioni di un batch ogni quattro.

import os

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

Disattivazione della registrazione della matrice di confusione#

In alcuni casi, potresti non voler registrare la matrice di confusione del set di convalida dopo ogni epoca. Puoi disattivare questa funzionalità 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 opera in modalità online e trasmette i dati degli esperimenti ai server Comet. Se devi addestrare senza accesso a Internet, imposta COMET_START_ONLINE=0 prima di avviare l'addestramento. I dati degli esperimenti vengono salvati localmente e possono essere caricati in seguito con la CLI comet upload.

import os

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

Nome del progetto#

Per impostazione predefinita, il callback di Comet passa a Comet l'argomento di addestramento YOLO project (oppure None se l'argomento non è impostato, nel qual caso Comet usa il valore predefinito del tuo spazio di lavoro). Sovrascrivi questo comportamento con COMET_PROJECT_NAME per inviare tutti gli esperimenti a un progetto specifico dello spazio di lavoro Comet, indipendentemente dall'argomento di addestramento YOLO:

import os

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

Nome dell'artefatto del modello#

COMET_MODEL_NAME imposta il nome che Comet registra per l'artefatto del modello registrato (il valore predefinito è Ultralytics). Usalo per distinguere 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 per impostazione predefinita l'interfaccia utente di Comet li visualizza su una scala percentuale. Prima della registrazione, il callback moltiplica ogni punteggio per COMET_MAX_CONFIDENCE_SCORE (valore predefinito 100.0). Modifica questo valore se preferisci probabilità grezze o una scala diversa:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # registra i punteggi grezzi [0, 1]

Riepilogo#

Questa guida ti ha illustrato l'integrazione di Comet con YOLO26 di Ultralytics. Dall'installazione alla personalizzazione, hai imparato a semplificare la gestione degli esperimenti, ottenere approfondimenti in tempo reale e adattare la registrazione alle esigenze del tuo progetto.

Consulta la documentazione ufficiale sull'integrazione di YOLOv8 con Comet, applicabile anche ai progetti YOLO26.

Inoltre, se vuoi approfondire le applicazioni pratiche di YOLO26, in particolare per le attività di segmentazione delle immagini, questa guida dettagliata sulla messa a punto di YOLO26 con Comet offre preziosi approfondimenti e istruzioni dettagliate per migliorare le prestazioni del tuo modello.

Inoltre, per scoprire altre interessanti integrazioni con Ultralytics, consulta la pagina della guida alle integrazioni, ricca di risorse e informazioni.

Domande frequenti#