YOLO11トレーニングのレベルアップ：Comet MLでロギングプロセスを簡素化
パラメータ、メトリクス、画像予測、モデルチェックポイントなどの主要な学習詳細をログに記録することは、機械学習において不可欠です。これにより、プロジェクトの透明性、進捗の測定可能性、および結果の再現性が維持されます。
見る: Ultralytics YOLOモデルのトレーニングログとメトリクスにComet MLを使用する方法 🚀
Ultralytics YOLO11はComet MLとシームレスに統合し、YOLO11物体検出モデルのトレーニングプロセスのあらゆる側面を効率的にキャプチャして最適化します。このガイドでは、インストールプロセス、Comet MLのセットアップ、リアルタイムな洞察、カスタムログ記録、オフラインでの使用について説明し、YOLO11のトレーニングが完全に文書化され、優れた結果が得られるように微調整されていることを保証します。
Comet ML
Comet MLは、機械学習モデルと実験の追跡、比較、説明、最適化を行うためのプラットフォームです。モデルのトレーニング中に、メトリクス、パラメータ、メディアなどをログに記録し、視覚的に優れたWebインターフェースを通じて実験を監視できます。Comet MLは、データサイエンティストがより迅速に反復処理を行い、透明性と再現性を高め、本番モデルの開発を支援します。
YOLO11とComet MLのパワー活用
Ultralytics YOLO11とComet MLを組み合わせることで、さまざまなメリットが得られます。これには、簡素化された実験管理、迅速な調整のためのリアルタイムな洞察、柔軟でカスタマイズされたロギングオプション、インターネットアクセスが制限されている場合にオフラインで実験を記録する機能が含まれます。この統合により、データに基づいた意思決定、パフォーマンス指標の分析、および優れた結果の達成が可能になります。
インストール
必要なパッケージをインストールするには、以下を実行します:
インストール
# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision
Comet MLの設定
必要なパッケージをインストールした後、Comet APIキーにサインアップして取得し、設定する必要があります。
Comet MLの設定
# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY
次に、Cometプロジェクトを初期化できます。CometはAPIキーを自動的に検出し、セットアップに進みます。
Cometプロジェクトを初期化
import comet_ml
comet_ml.login(project_name="comet-example-yolo11-coco128")
Google Colab ノートブックを使用している場合、上記のコードを実行すると、初期化のために API キーを入力するように求められます。
使用法
使用方法の説明に入る前に、Ultralyticsが提供するYOLO11モデルの範囲を必ず確認してください。これは、プロジェクトの要件に最適なモデルを選択するのに役立ちます。
使用法
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,
)
トレーニングコードを実行すると、Comet MLはCometワークスペースに実験を作成し、実行を自動的に追跡します。その後、YOLO11モデルのトレーニングプロセスの詳細なログを表示するためのリンクが提供されます。
Cometは、追加の設定なしに、mAPや損失などのメトリクス、ハイパーパラメータ、モデルチェックポイント、インタラクティブな混同行列、および画像のバウンディングボックス予測などのデータを自動的にログに記録します。
Comet MLの可視化によるモデルのパフォーマンスの理解
YOLO11 モデルのトレーニングが開始されると、Comet ML ダッシュボードに何が表示されるかを見てみましょう。ダッシュボードは、すべてのアクションが発生する場所であり、ビジュアルと統計を通じて自動的に記録されたさまざまな情報を表示します。簡単なツアーをご紹介します。
実験パネル
Comet MLダッシュボードの実験パネルセクションでは、セグメントマスク損失、クラス損失、精度、平均適合率など、さまざまな実行とそのメトリクスを整理して表示します。
メトリクス
メトリクスセクションでは、メトリクスを表形式で調べることもできます。これは、ここに示されているように、専用のペインに表示されます。
インタラクティブ混同行列
混同行列は、[混同行列]タブにあり、モデルの分類の精度を評価するためのインタラクティブな方法を提供します。正しい予測と誤った予測の詳細が示され、モデルの強みと弱みを理解できます。
システムメトリクス
Comet MLは、トレーニングプロセスのボトルネックを特定するのに役立つシステムメトリクスをログに記録します。これには、GPU使用率、GPUメモリ使用量、CPU使用率、RAM使用量などのメトリクスが含まれます。これらは、モデルトレーニング中のリソース使用効率を監視するために不可欠です。
Comet MLロギングのカスタマイズ
Comet MLは、環境変数を設定することにより、ログ記録の動作を柔軟にカスタマイズできます。これらの構成により、Comet MLを特定のニーズや好みに合わせて調整できます。以下に、役立つカスタマイズオプションをいくつか示します。
画像予測のロギング
実験中にComet MLがログに記録する画像予測の数を制御できます。デフォルトでは、Comet MLは検証セットから100個の画像予測をログに記録します。ただし、この数は要件に合わせて変更できます。たとえば、200個の画像予測をログに記録するには、次のコードを使用します。
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
バッチログ記録間隔
Comet MLを使用すると、画像予測のバッチをログに記録する頻度を指定できます。 COMET_EVAL_BATCH_LOGGING_INTERVAL 環境変数は、この頻度を制御します。デフォルト設定は1で、すべての検証バッチから予測を記録します。この値を調整して、異なる間隔で予測を記録できます。たとえば、4に設定すると、4番目のバッチごとに予測が記録されます。
import os
os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
混同行列のログ記録の無効化
場合によっては、検証セットからの混同行列を毎回ログに記録したくないことがあります。 エポックこの機能は、以下を設定することで無効にできます。 COMET_EVAL_LOG_CONFUSION_MATRIX 環境変数を「false」に設定します。混同行列は、トレーニング完了後に1回だけ記録されます。
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
オフラインロギング
インターネットアクセスが制限されている状況に陥った場合、Comet ML はオフラインロギングオプションを提供します。設定するには COMET_MODE 環境変数を「offline」に設定して、この機能を有効にします。実験データはローカルにディレクトリに保存され、インターネット接続が利用可能になったときにComet MLにアップロードできます。
import os
os.environ["COMET_MODE"] = "offline"
概要
このガイドでは、Comet ML と Ultralytics' YOLO11 の統合について説明しました。インストールからカスタマイズまで、実験管理を効率化し、リアルタイムの洞察を得て、プロジェクトのニーズに合わせてロギングを調整する方法を学びました。
YOLO11との統合に関する詳細については、Comet MLの公式ドキュメントをご覧ください。
さらに、YOLO11の実用的な応用、特に画像セグメンテーションタスクについて深く掘り下げたい場合は、Comet MLを使用したYOLO11のファインチューニングに関するこの詳細なガイドが、モデルのパフォーマンスを向上させるための貴重な洞察とステップごとの手順を提供します。
さらに、Ultralyticsとの他のエキサイティングな統合を探求するには、統合ガイドページをご覧ください。豊富なリソースと情報が提供されています。
よくある質問
トレーニングのためにComet MLをUltralytics YOLO11と統合するにはどうすればよいですか？
Comet MLをUltralytics YOLO11と統合するには、次の手順に従ってください:
-
必要なパッケージのインストール：
pip install ultralytics comet_ml torch torchvision -
Comet APIキーを設定する:
export COMET_API_KEY=YOUR_API_KEY -
PythonコードでCometプロジェクトを初期化します:
import comet_ml comet_ml.login(project_name="comet-example-yolo11-coco128") -
YOLO11モデルをトレーニングして、指標を記録する：
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, )
詳細な手順については、Comet MLの設定セクションを参照してください。
YOLO11 で Comet ML を使用する利点は何ですか？
Ultralytics YOLO11 と Comet ML を統合することで、以下のことが可能になります。
- リアルタイムな洞察を監視: トレーニング結果に関するフィードバックを即座に取得し、迅速な調整を可能にします。
- 広範なメトリクスを記録: mAP、損失、ハイパーパラメータ、モデルチェックポイントなどの重要なメトリクスを自動的にキャプチャします。
- オフラインで実験を追跡：インターネットアクセスが利用できない場合は、トレーニングの実行をローカルに記録します。
- 異なるトレーニング実行の比較: インタラクティブなComet MLダッシュボードを使用して、複数の実験を分析および比較します。
これらの機能を活用することで、機械学習ワークフローを最適化し、パフォーマンスと再現性を向上させることができます。詳細については、Comet ML 統合ガイドをご覧ください。
YOLO11のトレーニング中に、Comet MLのログ記録動作をカスタマイズするにはどうすればよいですか？
Comet MLでは、環境変数を使用してログ記録の動作を広範囲にカスタマイズできます。
-
ログに記録される画像予測の数を変更する:
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200" -
バッチロギング間隔の調整:
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4" -
混同行列のログ記録を無効にする:
import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
その他のカスタマイズオプションについては、Comet MLロギングのカスタマイズセクションを参照してください。
Comet MLでYOLO11のトレーニングの詳細なメトリクスと可視化を表示するにはどうすればよいですか？
YOLO11モデルのトレーニングを開始すると、Comet MLダッシュボードでさまざまなメトリックと視覚化にアクセスできます。主な機能は次のとおりです。
- 実験パネル: セグメントマスク損失、クラス損失、平均適合率（precision）など、さまざまな実行とそのメトリックを表示します。
- メトリクス: 詳細な分析のために、表形式でメトリクスを調べます。
- インタラクティブな混同行列：インタラクティブな混同行列で分類精度を評価します。
- システムメトリクス： GPUとCPUの使用率、メモリ使用量、およびその他のシステムメトリクスを監視します。
これらの機能の詳細な概要については、Comet MLの視覚化でモデルのパフォーマンスを理解するセクションをご覧ください。
YOLO11モデルのトレーニング時に、オフラインロギングにComet MLを使用できますか？
はい、Comet MLでオフラインログ記録を有効にするには、以下のように設定します。 COMET_MODE 環境変数を「offline」に設定:
import os
os.environ["COMET_MODE"] = "offline"
この機能を使用すると、実験データをローカルに記録し、インターネット接続が利用可能になったときに Comet ML にアップロードできます。これは、インターネットアクセスが制限された環境で作業する場合に特に役立ちます。詳細については、オフラインロギングセクションを参照してください。
