YOLO26トレーニングの向上：Cometでロギングプロセスを簡素化する
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 を使用する方法 🚀
Ultralytics YOLO26はComet（旧Comet ML）とシームレスに統合され、YOLO26 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、最適化します。このガイドでは、インストールプロセス、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、オフライン使用について説明し、YOLO26トレーニングが完全に文書化され、優れた結果のために微調整されることを保証します。
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 は、データサイエンティストがより迅速に反復作業を行い、透明性と再現性を高め、本番モデルの開発を支援します。
YOLO26とCometの力を活用する
Ultralytics YOLO26とComet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。これらには、実験管理の簡素化、迅速な調整のためのリアルタイムのインサイト、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のオフラインでの実験ロギング機能が含まれます。この統合により、データに基づいた意思決定を行い、パフォーマンスメトリクスを分析し、優れた結果を達成することができます。
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 YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision
Cometの構成
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の構成
# 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はAPIキーを自動的に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-yolo26-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YOLO26モデルのラインナップを必ずご確認ください。これにより、プロジェクトの要件に最も適したモデルを選択できます。
使用法
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,
)
トレーニングコードを実行すると、Comet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、YOLO26モデルのトレーニングプロセスの詳細なロギングを表示するためのリンクが提供されます。
Cometは、追加設定なしで以下のデータを自動的にログに記録します。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、および画像バウンディングボックス予測です。
Comet視覚化によるモデルパフォーマンスの理解
YOLO26モデルのトレーニングが開始されたら、Cometダッシュボードで何が見られるかを見ていきましょう。ダッシュボードは、視覚化と統計を通じて自動的にログに記録されたさまざまな情報を提供する、すべてのアクションが行われる場所です。簡単なツアーです。
実験パネル
Comet ダッシュボードの実験パネルセクションは、segment mask loss、class loss、precision、および 平均精度 など、さまざまな実行とそのメトリクスを整理して提示します。
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 は、トレーニングプロセスにおけるボトルネックを特定するために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 ロギングのカスタマイズ
Comet は、環境変数を設定することで、その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、Comet を特定のニーズや好みに合わせて調整できます。以下に、いくつかの役立つカスタマイズオプションを示します：
画像予測のロギング
Comet が実験中に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 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 を使用すると、画像予測のバッチがログに記録される頻度を指定できます。その 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ある場合、Comet はオフラインロギングオプションを提供します。設定できます COMET_MODE 環境変数を「offline」に設定することで、この機能を有効にできます。実験データはローカル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 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をUltralyticsのYOLO26と統合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、実験管理を効率化し、リアルタイムのインサイトを獲得し、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。
YOLO26プロジェクトにも適用される、Cometの公式YOLOv8統合ドキュメントをご覧ください。
さらに、YOLO26の実用的なアプリケーション、特に画像segmentタスクについて深く掘り下げたい場合は、CometによるYOLO26の微調整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インサイトとステップバイステップ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をUltralytics YOLO26と統合するにはどうすればよいですか？
Ultralytics YOLO26とCometを統合するには、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-yolo26-coco128")YOLO26モデルをトレーニングし、メトリクスをログに記録する：
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, )
詳細な手順については、Comet の設定セクションを参照してください。
YOLO26でCometを使用する利点は何ですか？
Ultralytics YOLO26とCometを統合することで、次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ログに記録：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ダッシュボードを使用して、複数の実験を分析・比較できます。
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統合ガイドをご覧ください。
YOLO26トレーニング中にCometの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では、環境変数を使用してロギング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でYOLO26トレーニングの詳細なメトリクスと視覚化を表示するにはどうすればよいですか？
YOLO26モデルのトレーニングが開始されると、Cometダッシュボードで幅広いメトリクス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：segmentマスク損失、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、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については、Cometの視覚化によるモデルパフォーマンスの理解セクションをご覧ください。
YOLO26モデルのトレーニング中にCometをオフラインロギングに使用できますか？
はい、Cometでオフラインロギングを有効にするには、 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ログ記録でき、インターネット接続が利用可能になったときにComet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ている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。
