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

Il logging di 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, copriremo il processo di installazione, la configurazione di Comet, gli insight in tempo reale, il logging personalizzato e l'utilizzo offline, assicurando 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 consente 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 di 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, insight in tempo reale per aggiustamenti rapidi, opzioni di logging flessibili e personalizzate, e la possibilità di registrare esperimenti offline quando l'accesso a Internet è limitato. Questa integrazione ti permette 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 sectionConfigurazione di 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

Quindi, puoi inizializzare il tuo progetto Comet. Comet rileverà automaticamente la chiave API 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 chiave API 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 delle bounding box sulle immagini.

Link to this sectionComprendere le 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 tutta l'azione, presentando una gamma di informazioni registrate automaticamente attraverso immagini e statistiche. Ecco un rapido tour:

Pannelli degli Esperimenti

La sezione dei pannelli degli esperimenti della dashboard di Comet organizza e presenta i diversi run e le loro metriche, come la loss della segment mask, la loss di 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 della classificazione del modello. Dettaglia le predizioni corrette ed errate, permettendoti 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'utilizzo della memoria GPU, l'utilizzo della CPU e l'utilizzo della RAM. Queste sono essenziali per monitorare l'efficienza nell'utilizzo 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 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):

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 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 registrerai le predizioni da ogni quarto 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 una sola volta, dopo il completamento dell'addestramento.

import os

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

Link to this sectionModalità online e offline#

Per impostazione predefinita, Comet viene eseguito in modalità online e trasmette i dati dell'esperimento ai server di Comet. Se hai bisogno di addestrare senza accesso a Internet, imposta COMET_START_ONLINE=0 prima dell'inizio dell'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 valore predefinito del tuo workspace). Sovrascrivilo con COMET_PROJECT_NAME per inviare tutti gli esperimenti a un progetto specifico del workspace Comet indipendentemente dall'argomento di addestramento YOLO:

import os

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

Link to this sectionNome dell'artefatto del modello#

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

import os

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

Link to this sectionRidimensionamento dei punteggi di confidenza#

I punteggi di confidenza del rilevamento vengono emessi nell'intervallo [0, 1], ma l'interfaccia utente di Comet li visualizza per impostazione predefinita su una scala percentuale. Il callback moltiplica ogni punteggio per COMET_MAX_CONFIDENCE_SCORE (predefinito 100.0) prima della registrazione. 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 guidato attraverso l'integrazione di Comet con YOLO26 di Ultralytics. Dall'installazione alla personalizzazione, hai imparato a semplificare la gestione degli esperimenti, ottenere insight 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 compiti di segmentazione delle immagini, questa guida dettagliata sul fine-tuning di YOLO26 con Comet offre preziosi insight e istruzioni passo dopo passo per migliorare le performance 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.

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 richiesti:

   pip install ultralytics comet_ml torch torchvision

2. Configura la tua Comet API Key:

   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 insight 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 i tuoi run di addestramento localmente quando l'accesso a Internet non è disponibile.
• Confrontare diversi run di addestramento: Utilizza la dashboard interattiva di Comet per analizzare e confrontare più esperimenti.

Sfruttando queste funzionalità, puoi ottimizzare i tuoi flussi di lavoro di machine learning per ottenere performance migliori e maggiore 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 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'artefatto del modello registrato:

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

Consulta la sezione Customizing Comet Logging per l'elenco completo, inclusi i toggle per le predizioni delle immagini, la scalatura dei punteggi di confidenza e la modalità online/offline.

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

Una volta avviato l'addestramento del tuo modello YOLO26, puoi accedere a un'ampia gamma di metriche e visualizzazioni sulla dashboard di Comet. Le caratteristiche principali includono:

• Pannelli Esperimento: visualizza diverse esecuzioni e le relative metriche, tra cui la perdita della maschera di segmentazione, la perdita della classe e la precisione media.
• Metriche: esamina le metriche in formato tabellare per un'analisi dettagliata.
• Matrice di Confusione Interattiva: valuta l'accuratezza della 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 Understanding Your Model's Performance with Comet Visualizations.

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

Sì. Imposta COMET_START_ONLINE=0 prima dell'avvio dell'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, consulta la sezione Online and Offline Mode.