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

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

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, le analisi in tempo reale, il logging personalizzato e l'utilizzo offline, assicurandoci che il tuo addestramento YOLO26 sia accuratamente documentato e ottimizzato per risultati eccellenti.

Comet

Comet è una piattaforma per tracciare, confrontare, spiegare e ottimizzare modelli ed esperimenti di machine learning. Ti permette di registrare metriche, parametri, file multimediali e altro ancora durante l'addestramento del tuo modello e di monitorare i tuoi esperimenti tramite 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.

Sfruttare la potenza di YOLO26 e Comet

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

Installazione

Per installare i pacchetti necessari, esegui:

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

Configurazione 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

Successivamente, potrai inizializzare il tuo progetto Comet. Comet rileverà automaticamente l'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 qui sopra ti chiederà di inserire la tua API key per l'inizializzazione.

Utilizzo

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 spazio di lavoro 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 previsioni delle bounding box sulle immagini.

Comprendere le prestazioni del tuo modello con le visualizzazioni di Comet

Entriamo nel vivo di 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 tramite 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 della classificazione del modello. Dettaglia le previsioni corrette e non corrette, 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.

Personalizzazione del logging di Comet

Comet offre la flessibilità di personalizzare il suo comportamento di logging impostando le variabili d'ambiente. Queste configurazioni ti permettono di adattare Comet alle tue specifiche esigenze e preferenze. Ecco alcune utili opzioni di personalizzazione:

Logging delle previsioni delle immagini

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

import os

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

Intervallo di logging del batch

Comet ti permette di specificare quanto spesso vengono registrati i batch di previsioni delle immagini. La variabile d'ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controlla questa frequenza. L'impostazione predefinita è 1, che registra le previsioni da ogni batch di validazione. Puoi regolare questo valore per registrare le previsioni a un intervallo diverso. Ad esempio, impostandolo a 4 registrerai le previsioni da ogni quarto batch.

import os

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

Disabilitazione del 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 funzionalità impostando la variabile d'ambiente COMET_EVAL_LOG_CONFUSION_MATRIX su "false". La matrice di confusione verrà registrata solo una volta, dopo il completamento dell'addestramento.

import os

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

Logging offline

Se ti trovi in una situazione in cui l'accesso a Internet è limitato, Comet fornisce un'opzione di logging offline. Puoi impostare la variabile d'ambiente COMET_MODE su "offline" per abilitare questa funzionalità. I dati del tuo esperimento verranno salvati localmente in una directory che potrai caricare in seguito su Comet quando sarà disponibile la connettività Internet.

import os

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

Riepilogo

Questa guida ti ha accompagnato nell'integrazione di Comet con YOLO26 di Ultralytics. Dall'installazione alla personalizzazione, hai imparato a snellire la gestione degli esperimenti, ottenere analisi 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 image segmentation, questa guida dettagliata sul fine-tuning di YOLO26 con Comet offre spunti 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.

FAQ

Come 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. Imposta 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, consulta la sezione di configurazione di Comet.

Quali sono i vantaggi dell'utilizzo di Comet con YOLO26?

Integrando Ultralytics YOLO26 con Comet, puoi:

• Monitorare le analisi in tempo reale: Ottieni un feedback immediato sui risultati del tuo addestramento, consentendo rapidi adattamenti.
• Registrare metriche estese: Cattura automaticamente metriche essenziali come mAP, loss, iperparametri e checkpoint del modello.
• Tracciare gli 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 più esperimenti.

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

Come 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 previsioni delle immagini registrate:

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

• Regola l'intervallo di logging del 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"

Consulta la sezione Personalizzazione del logging di Comet per ulteriori opzioni di personalizzazione.

Come 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 principali includono:

• Pannelli dell'esperimento: Visualizza le diverse esecuzioni e le loro metriche, inclusa la loss della segment mask, la loss della classe e la mean average precision.
• 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 Comprendere le prestazioni del tuo modello con le visualizzazioni di Comet.

Posso usare Comet per il logging offline durante l'addestramento dei modelli YOLO26?

Sì, puoi abilitare il logging offline in Comet impostando la variabile d'ambiente COMET_MODE su "offline":

import os

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

Questa funzionalità ti consente di registrare i dati del tuo esperimento localmente, che possono poi essere caricati su Comet quando la connettività Internet è disponibile. Questo è particolarmente utile quando si lavora in ambienti con accesso a Internet limitato. Per maggiori dettagli, consulta la sezione Logging offline.