YOLO26のトレーニングを強化:Cometでロギングプロセスを簡素化
パラメーター、メトリクス、画像予測、モデルチェックポイントなど、トレーニングの重要な詳細を記録することは、機械学習に欠かせません。これにより、プロジェクトの透明性が保たれ、進捗を測定でき、結果を再現できます。
視聴: Ultralytics YOLOのトレーニングログと指標にCometを使用する方法 🚀
Ultralytics YOLO26はComet(旧称Comet ML)と連携し、YOLO26の物体検出モデルのトレーニングプロセスを記録します。このガイドでは、インストール、Cometのセットアップ、リアルタイムのインサイト、カスタムロギング、オフラインでの使用方法を説明し、YOLO26のトレーニング実行を記録して再現可能にする方法を紹介します。
Comet#
Cometは、機械学習モデルと実験の追跡、比較、説明、最適化を行う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、パラメーター、メディアなどを記録し、Webインターフェースを通じて実験を監視できます。Cometはデータサイエンティストの反復作業を迅速化し、透明性と再現性を高め、本番環境向けモデルの開発を支援します。
YOLO26とCometの力を活用する#
Ultralytics YOLO26とCometを組み合わせると、実験の追跡の簡素化、迅速な調整に役立つリアルタイムのインサイト、柔軟で用途に合わせたロギングオプション、インターネット接続が限られている場合のオフラインでの実験記録など、さまざまなメリットが得られます。この連携により、データに基づく意思決定とパフォーマンスメトリクスの分析が可能になります。
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、次を実行します。
# Install YOLO26 and Comet
pip install ultralytics comet_mlCometの設定#
必要なパッケージをインストールした後、登録してComet APIキーを取得し、設定します。
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY次に、Cometで認証します。Ultralyticsコールバックが実験を作成し、YOLOのprojectトレーニング引数をCometのプロジェクト名として使用します。
import comet_ml
comet_ml.login()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、初期化用のAPIキーを入力するよう求められます。
使用方法#
from ultralytics import YOLO
# モデルを読み込む
model = YOLO("yolo26n.pt")
# モデルをトレーニングする
results = model.train(
data="coco8.yaml",
project="comet-example-yolo26-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は実行を自動的に追跡するため、Cometワークスペースに実験を作成します。その後、YOLO26モデルのトレーニングプロセスの詳細なログを確認するためのリンクが表示されます。
Cometをインストールして設定すると、コールバックがデフォルトで有効になり、mAPや損失などのメトリクス、ハイパーパラメーター、モデルチェックポイント、インタラクティブな混同行列が記録されます。検証セットの画像に対するバウンディングボックスの予測結果は、save_json=Trueを使用した検出およびセグメンテーションのトレーニングで記録されます。連携を無効にするには、yolo settings comet=Falseを実行します。
Cometの可視化機能でモデルのパフォーマンスを理解する#
YOLO26モデルのトレーニングが始まると、Cometのダッシュボードに自動記録された情報が視覚資料と統計情報で表示されます。
実験パネル
Cometダッシュボードの実験パネルセクションでは、さまざまな実行と、セグメントマスク損失、クラス損失、適合率、平均適合率などのメトリクスが整理されて表示されます。
メトリクス
メトリクスセクションでは、ここに示すように専用のペインに表示されるメトリクスを、表形式でも確認できます。
インタラクティブな混同行列
混同行列タブにある混同行列を使うと、モデルの分類精度をインタラクティブに評価できます。正しい予測と誤った予測の詳細を確認し、モデルの強みと弱みを把握できます。
システムメトリクス
Cometはシステムメトリクスを記録し、トレーニングプロセスのボトルネックの特定に役立てます。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、モデルのトレーニング中にリソース使用効率を監視するうえで重要です。
Cometのロギングをカスタマイズする#
Cometでは、環境変数を設定してロギング動作を柔軟にカスタマイズできます。これらの設定により、ニーズや好みに合わせてCometを調整できます。Ultralyticsコールバックは次の環境変数を読み取ります(トレーニング開始前に設定してください)。
| 環境変数 | デフォルト | 説明 |
|---|---|---|
COMET_START_ONLINE | 1 | 実験をオンラインモード(1)またはオフラインモード(0)で実行します。 |
COMET_PROJECT_NAME | args.project | Cometワークスペースのプロジェクトです。設定されていない場合は、YOLOのprojectトレーニング引数が使用されます。 |
COMET_MODEL_NAME | Ultralytics | 記録されたモデルアーティファクトに登録する名前です。 |
COMET_MAX_IMAGE_PREDICTIONS | 100 | 実行ごとに記録する検証画像の予測数です。 |
COMET_EVAL_BATCH_LOGGING_INTERVAL | 1 | N番目の検証バッチごとに画像予測を記録します。 |
COMET_EVAL_LOG_IMAGE_PREDICTIONS | true | 画像予測のロギングを有効(true)または無効(false)にします。 |
COMET_EVAL_LOG_CONFUSION_MATRIX | false | 各 save_period チェックポイントで混同行列を記録します。トレーニング後には、最終的な混同行列も必ず記録されます。 |
COMET_MAX_CONFIDENCE_SCORE | 100.0 | 記録前に検出信頼度スコアに適用する倍率です(CometのUIではパーセントスケールが想定されています)。 |
COMET_MODE (非推奨) | online | COMET_START_ONLINEの旧式の別名です("online" ↔ 1、"offline" ↔ 0)。非推奨の警告が表示されます。 |
ブール値の切り替え設定(COMET_EVAL_LOG_IMAGE_PREDICTIONSとCOMET_EVAL_LOG_CONFUSION_MATRIX)では、値1、true、yes、on、y、tはTrueとして解析されます(大文字と小文字は区別されません)。それ以外の値はFalseです。
画像予測のロギング#
実験中にCometが記録する画像予測の数を設定できます。save_json=Trueを指定すると、Cometは検証セットから最大100件の画像予測を記録します。ただし、要件に合わせてこの数を変更できます。たとえば、画像予測を200件記録するには、次のコードを使用します。
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"注釈付き画像の予測記録を無効にするには(たとえば、低速な接続でのアップロード量を減らす場合)、COMET_EVAL_LOG_IMAGE_PREDICTIONSを"false"に設定します。
import os
os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"トレーニングの終了時には、train_batch*.jpgとval_batch*.jpgのプロット画像も引き続き記録されます。
バッチのロギング間隔#
Cometでは、画像予測のバッチを記録する頻度を指定できます。COMET_EVAL_BATCH_LOGGING_INTERVAL環境変数でこの頻度を制御します。デフォルト値は1で、すべての検証バッチから予測が記録されます。この値を調整すると、別の間隔で予測を記録できます。たとえば、4に設定すると、4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"エポックごとの混同行列の記録#
デフォルトでは、検証セットの混同行列はトレーニング完了後に一度だけ記録されます。save_period が保存する各チェックポイントでも記録するには(save_period=1 はエポックごとに保存します)、COMET_EVAL_LOG_CONFUSION_MATRIX 環境変数を "true" に設定してください。
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true"オンラインモードとオフラインモード#
デフォルトでは、Cometはオンラインモードで実行され、実験データをCometサーバーにストリーミングします。インターネットに接続せずにトレーニングする場合は、開始前にCOMET_START_ONLINE=0を設定します。実験データはローカルに保存され、後からcomet upload CLIでアップロードできます。
import os
os.environ["COMET_START_ONLINE"] = "0" # 1(デフォルト)=オンライン、0=オフライン以前のバージョンでは、この目的にCOMET_MODE="offline"を使用していました。この変数は後方互換性のため引き続き有効ですが、非推奨の警告が表示されます。今後はCOMET_START_ONLINEを使用してください。
プロジェクト名#
デフォルトでは、CometコールバックはYOLOのprojectトレーニング引数をCometに渡します(引数が設定されていない場合はNoneが渡され、その場合Cometはワークスペースのデフォルトを使用します)。COMET_PROJECT_NAMEを指定すると、YOLOのトレーニング引数にかかわらず、すべての実験を特定のCometワークスペースプロジェクトに送信できます。
import os
os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"モデルアーティファクト名#
COMET_MODEL_NAMEは、記録されたモデルアーティファクトにCometが登録する名前を設定します(デフォルトはUltralyticsです)。共有ワークスペースでモデルのバリエーションを区別するために使用します。
import os
os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"信頼度スコアのスケーリング#
検出信頼度スコアは[0, 1]の範囲で出力されますが、CometのUIではデフォルトでパーセントスケールで表示されます。コールバックは記録前に各スコアにCOMET_MAX_CONFIDENCE_SCORE(デフォルトは100.0)を掛けます。生の確率や別のスケールを使用する場合は、この値を調整してください。
import os
os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0" # 生の[0, 1]スコアを記録概要#
このガイドでは、CometとUltralytics YOLO26を連携する方法を説明しました。インストールからカスタマイズまで、実験管理の効率化、リアルタイムのインサイトの取得、プロジェクトのニーズに合わせたロギングの調整方法を紹介しました。
Comet公式のYOLOv8統合ドキュメントをご覧ください。このドキュメントはYOLO26プロジェクトにも適用できます。
よくある質問#
CometをUltralytics YOLO26と統合するには、次の手順に従ってください。
-
必要なパッケージをインストールする:
pip install ultralytics comet_ml -
Comet APIキーを設定する:
export COMET_API_KEY=YOUR_API_KEY -
PythonコードでCometの認証を行う:
import comet_ml comet_ml.login() -
YOLO26モデルをトレーニングしてメトリクスを記録する:
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, )
詳しい手順については、Cometの設定に関するセクションをご覧ください。
-
Ultralytics YOLO26をCometと統合すると、次のことができます。
- リアルタイムのインサイトを監視: トレーニング結果をすぐに確認できるため、迅速に調整できます。
- 幅広いメトリクスを記録: mAP、損失、ハイパーパラメーター、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記録します。
- オフラインで実験を追跡: インターネットに接続できない場合も、トレーニングの実行結果をローカルに記録できます。
- 異なるトレーニング実行を比較: インタラクティブなCometダッシュボードを使って、複数の実験を分析、比較できます。
これらの機能を活用して、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高めることができます。
Cometでは、環境変数を使ってログ動作を幅広くカスタマイズできます。
-
ログに記録する画像予測数を変更:
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200" -
バッチのログ記録間隔を調整:
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4" -
各
save_periodチェックポイントで混同行列を記録する:import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true" -
Cometのプロジェクト名を設定:
import os os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments" -
ログに記録するモデルアーティファクト名を設定:
import os os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"
画像予測の切り替え、信頼度スコアのスケーリング、オンライン/オフラインモードなどの全項目については、Cometログのカスタマイズのセクションをご覧ください。
-
YOLO26モデルのトレーニングを開始すると、Cometダッシュボードで幅広いメトリクスや可視化を確認できます。主な機能は次のとおりです。
- 実験パネル: セグメンテーションマスクの損失、クラス損失、平均適合率など、さまざまな実行とそのメトリクスを表示します。
- メトリクス: 詳細な分析のために、メトリクスを表形式で確認できます。
- 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を使って、分類精度を評価できます。
- システムメトリクス: GPUやCPUの使用率、メモリ使用量など、システムメトリクスを監視できます。
これらの機能の詳細については、Cometの可視化によるモデルのパフォーマンスの理解のセクションをご覧ください。
はい。トレーニング開始前に
COMET_START_ONLINE=0を設定すると、ローカルにログを記録できます。import os os.environ["COMET_START_ONLINE"] = "0"実験データはディスクに保存され、接続が利用可能になった後に
comet uploadCLIを使ってCometにアップロードできます。以前のCOMET_MODE="offline"変数も引き続き使用できますが、非推奨の警告が表示されます。詳細については、オンラインモードとオフラインモードのセクションをご覧ください。
コメント5
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
lauravchrobak
I am getting this warning when using the above workflow, 'comet_ml.init() is deprecated and will be removed soon. Please use comet_ml.login()' perhaps the above should be updated to use comet_ml.login() instead?
Paula DerrengerUltralytics@lauravchrobak thank you for pointing that out. The warning indicates that
comet_ml.init()is deprecated and should be replaced withcomet_ml.login(). We will update the documentation accordingly. For now, please usecomet_ml.login()to avoid the deprecation warning. If you encounter any further issues, ensure you are using the latest versions of the packages. For more details, you can visit the Comet ML integration guide.1
Glenn JocherUltralytics@lauravchrobak I've created a PR for this in https://github.com/orgs/ultralytics/discussions/14783
lauravchrobak
Wonderful, thanks for being so responsive!
Glenn JocherUltralyticsThank you for your feedback! We've updated our documentation to use
comet_ml.login()instead of the deprecatedcomet_ml.init(). This should resolve the warning you're encountering. If you have any other questions or need further assistance, feel free to ask. For more details, you can visit the Comet ML integration guide.