YOLO11 高度化：Comet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: Comet Ultralytics YOLO トレーニングログとメトリクスの活用方法 🚀
Ultralytics YOLO11Comet Comet ）とシームレスに連携し、YOLO11物体検出モデルのトレーニングプロセスをあらゆる側面から効率的に捕捉・最適化します。本ガイドでは、インストール手順、Comet 、リアルタイムインサイト、カスタムロギング、オフライン利用について解説し、YOLO11 徹底的に記録・微調整することで卓越した成果を実現します。
Comet
Comet は、機械学習モデルと実験の追跡、比較、説明、最適化のためのプラットフォームです。モデルトレーニング中にメトリクス、パラメータ、メディアなどを記録し、美観に優れたウェブインターフェースを通じて実験を監視できます。Comet データサイエンティストの反復作業をComet 、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Comet 。
YOLO11YOLO11 CCometの力を活用する
Ultralytics Comet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、実験管理の簡素化、迅速な調整のためのリアルタイムインサイト、柔軟でカスタマイズ可能なロギングオプション、インターネット接続が制限されている場合のオフライン実験ログ記録機能が含まれます。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、卓越した成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
pip install ultralytics comet_ml torch torchvision
Comet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の設定
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY
その後、Comet プロジェクトを初期化できます。Comet 自動的にAPIキーをdetect し、セットアップを進めます。
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 Comet 実験Comet 、track 自動的にtrack 。その後、YOLO11 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提供されます。
Comet 、追加設定なしで以下のデータを自動的に記録します：mAP 損失などのメトリクス、ハイパーパラメータ、モデルのチェックポイント、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。
Comet によるモデルのパフォーマンス理解
YOLO11 開始されると、Comet 表示される内容を見ていきましょう。ダッシュボードはすべての操作が行われる場所であり、自動記録された様々な情報をビジュアルや統計データで表示します。以下に概要をご紹介します：
実験パネル
Comet の実験パネルセクションでは、異なる実行結果とそのメトリクス（segment 損失、クラス損失、精度、平均精度など）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 トレーニングプロセスにおけるボトルネックの特定を支援するため、システムメトリクスをComet 。GPU 、GPU 、CPU 、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 カスタマイズ
Comet 環境変数を設定することで、ロギング動作を柔軟にComet 。これらの設定により、特定のニーズやComet 調整できます。以下に便利なカスタマイズオプションをいくつか紹介します：
画像予測のロギング
実験中にComet 画像予測の数を制御できます。デフォルトでは、検証セットから100件の画像予測Comet 。ただし、要件に合わせてこの数を変更できます。例えば、200件の画像予測を記録するには、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 、画像予測のバッチがログに記録される頻度を指定Comet 。 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
インターネット接続が制限される状況に遭遇した場合、Comet オフライン記録オプションComet 。設定は COMET_MODE この機能を有効にするには、環境変数を「offline」に設定してください。実験データはローカルのディレクトリに保存され、後でインターネット接続が利用可能Comet 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、Ultralytics YOLO11統合手順を解説しました。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適応方法を学んでいただきました。
Comet公式YOLOv8 ドキュメントを参照してください。これはYOLO11 にも適用されます。
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 YOLO11 ファインチューニングに関するこの詳細なガイドが、モデルの性能向上に役立つ貴重な知見と段階的な手順を提供します。
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
Ultralytics YOLO11 Comet 統合してトレーニングYOLO11 どうすればよいですか？
Ultralytics YOLO11 Comet 統合するには、以下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 torchvisionComet APIキーを設定する:
export COMET_API_KEY=YOUR_API_KEYPython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, )
より詳細な手順については、Comet セクションを参照してください。
Comet YOLO11 Comet 併用する利点は何ですか？
Ultralytics YOLO11 CometYOLO11 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、モデルのチェックポイントなどの重要なメトリクスを自動的に取得します。
- 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を比較する：Comet を使用して、複数の実験を分析・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のパフォーマンスと再現性を最適化できます。詳細については、Comet ガイドをご覧ください。
YOLO11 Comet ロギング動作をカスタマイズするにはどうすればよいですか？
Comet 環境変数を使用して、そのロギング動作を幅広くカスタマイズComet ：
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"
詳細なカスタマイズオプションについては、「 Comet カスタマイズ」セクションを参照してください。
Comet YOLO11 に関する詳細なメトリクスと可視化をどのように確認すればよいですか？
YOLO11 トレーニングが開始されると、Comet で幅広いメトリクスと可視化データにアクセスできます。主な機能は以下の通りです：
- 実験パネル：segment マスク損失、クラス損失、平均平均精度など、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、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 によるモデルのパフォーマンスの理解」セクションをご覧ください。
YOLO11 、Comet できますか？
はい、Comet オフラインログ機能を有効にできますComet 設定Comet COMET_MODE 環境変数を「offline」に設定:
import os
os.environ["COMET_MODE"] = "offline"
この機能により、実験データをローカルに記録できます。インターネット接続が利用可能になったComet 、Comet アップロードできます。インターネット接続が制限された環境で作業する場合に特に便利です。詳細は「オフライン記録」セクションを参照してください。
