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

La registrazione dei 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 ripetibili.

Guarda: Come utilizzare Comet per i log e le metriche di addestramento dei modelli Ultralytics YOLO 🚀

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 YOLO26 di object detection. In questa guida, tratteremo il processo di installazione, la configurazione di Comet, le intuizioni in tempo reale, il logging personalizzato e l'utilizzo offline, assicurando che l'addestramento del tuo YOLO26 sia documentato in modo esaustivo e ottimizzato per risultati eccezionali.

Comet

Comet è una piattaforma per il tracciamento, il confronto, la spiegazione e l'ottimizzazione di modelli ed esperimenti di machine learning. Consente di registrare metriche, parametri, media e altro durante l'addestramento del modello e di monitorare gli 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, intuizioni in tempo reale per aggiustamenti rapidi, opzioni di logging flessibili e personalizzate e la capacità di registrare 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 richiesti, esegui:

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

Configurazione di Comet

Dopo aver installato i pacchetti richiesti, 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 si utilizza un notebook di Google Colab, il codice qui sopra richiederà di inserire la chiave API per l'inizializzazione.

Utilizzo

Prima di approfondire le istruzioni per l'uso, assicurati di consultare la gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per le tue esigenze di 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 automaticamente un esperimento nel tuo workspace di Comet per tracciare 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 di bounding box delle immagini.

Comprendere le prestazioni del tuo modello con le visualizzazioni di Comet

Approfondiamo ciò che vedrai sulla dashboard di Comet una volta che il tuo modello YOLO26 inizierà l'addestramento. La dashboard è il luogo dove si svolge tutta l'azione, presentando una serie di informazioni registrate automaticamente tramite elementi visivi e statistiche. Ecco un breve tour:

Pannelli degli esperimenti

La sezione dei pannelli degli esperimenti della dashboard di Comet organizza e presenta le diverse esecuzioni e le loro metriche, come la perdita della maschera di segment, la perdita di classe, la precisione e la precisione media (AP).

Metriche

Nella sezione delle metriche, hai anche la possibilità di esaminare le metriche in formato tabellare, visualizzate in un pannello 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. Fornisce dettagli sulle previsioni corrette e errate, consentendo 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 dell'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 variabili d'ambiente. Queste configurazioni ti consentono di adattare Comet alle tue esigenze e preferenze specifiche. Ecco alcune utili opzioni di personalizzazione:

Registrazione delle previsioni delle immagini

È possibile controllare il numero di previsioni di immagini che Comet registra durante gli esperimenti. Per impostazione predefinita, Comet registra 100 previsioni di immagini dal set di validazione. Tuttavia, è possibile modificare questo numero per adattarlo meglio 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 logging del batch

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

import os

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

Disabilitazione della registrazione 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 il COMET_EVAL_LOG_CONFUSION_MATRIX variabile d'ambiente su "false"." La matrice di confusione verrà registrata solo una volta, al termine del training.

import os

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

Registrazione offline

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

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 semplificare la gestione degli esperimenti, ottenere intuizioni in tempo reale e adattare il logging alle esigenze del tuo progetto.

Esplora la documentazione ufficiale sull'integrazione di YOLOv8 di Comet, che si applica anche ai progetti YOLO26.

Inoltre, se desideri approfondire le applicazioni pratiche di YOLO26, in particolare per i task di segmentazione di immagini, questa guida dettagliata sulla messa a punto di YOLO26 con Comet offre preziosi spunti e istruzioni passo-passo per migliorare le prestazioni del tuo modello.

Inoltre, per esplorare altre entusiasmanti integrazioni con Ultralytics, consulta la pagina della guida all'integrazione, che offre una vasta gamma di risorse e informazioni.

FAQ

Come si integra 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 chiave API 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, fare riferimento alla sezione di configurazione di Comet.

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

Integrando Ultralytics YOLO26 con Comet, puoi:

• Monitorare gli insight in tempo reale: Ottieni feedback immediato sui risultati del tuo addestramento, consentendo rapidi aggiustamenti.
• Registra metriche estensive: Acquisisci automaticamente metriche essenziali come mAP, loss, iperparametri e checkpoint del modello.
• Traccia gli esperimenti offline: Registra le tue esecuzioni di addestramento localmente quando l'accesso a Internet non è disponibile.
• Confrontare diverse esecuzioni di addestramento: Utilizza la dashboard interattiva di Comet per analizzare e confrontare più esperimenti.

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

Come si personalizza il comportamento di logging di Comet durante l'addestramento di YOLO26?

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

• Modifica il numero di previsioni di immagini registrate:

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

• Regola l'intervallo di registrazione 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"
  

Consultare la sezione Personalizzazione del Logging di Comet per ulteriori opzioni di personalizzazione.

Come si visualizzano metriche e visualizzazioni dettagliate del mio addestramento YOLO26 su Comet?

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

• Pannelli degli Esperimenti: Visualizza diverse esecuzioni e le loro metriche, tra cui la perdita della maschera di segment, la perdita di 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'utilizzo della memoria e altre metriche di sistema.

Per una panoramica dettagliata di queste funzionalità, consultare la sezione Comprendere le Prestazioni del Modello con le Visualizzazioni di Comet.

È possibile utilizzare Comet per il logging offline durante l'addestramento di modelli YOLO26?

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

import os

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

Questa funzionalità consente di registrare i dati dell'esperimento localmente, che possono essere successivamente caricati su Comet quando la connettività internet è disponibile. Ciò è particolarmente utile quando si lavora in ambienti con accesso internet limitato. Per maggiori dettagli, consultare la sezione Logging Offline.

📅 Creato 2 anni fa ✏️ Aggiornato 5 giorni fa

Commenti