Elevating YOLO11 Training: Simplify Your Logging Process with Comet ML

Logging key training details such as parameters, metrics, image predictions, and model checkpoints is essential in machine learning—it keeps your project transparent, your progress measurable, and your results repeatable.

Ultralytics YOLO11 seamlessly integrates with Comet ML, efficiently capturing and optimizing every aspect of your YOLO11 object detection model's training process. In this guide, we'll cover the installation process, Comet ML setup, real-time insights, custom logging, and offline usage, ensuring that your YOLO11 training is thoroughly documented and fine-tuned for outstanding results.

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、メディアなどのログを記録し、美しいWebインターフェースで実験を監視することができます。Comet MLは、データサイエンティストがより迅速に反復し、透明性と再現性を高め、本番モデルの開発を支援します。

Harnessing the Power of YOLO11 and Comet ML

By combining Ultralytics YOLO11 with Comet ML, you unlock a range of benefits. These include simplified experiment management, real-time insights for quick adjustments, flexible and tailored logging options, and the ability to log experiments offline when internet access is limited. This integration empowers you to make data-driven decisions, analyze performance metrics, and achieve exceptional results.

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

# 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ら、サインアップしてComet API Key を取得し、設定する必要がある。

# 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 は自動的にAPIキーを検出し、セットアップを進めます。

import comet_ml

comet_ml.login(project_name="comet-example-yolov8-coco128")

Google Colabノートブックを使用している場合、上記のコードは初期化のためにAPIキーの入力を促します。

使用方法

Before diving into the usage instructions, be sure to check out the range of YOLO11 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolov8-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

After running the training code, Comet ML will create an experiment in your Comet workspace to track the run automatically. You will then be provided with a link to view the detailed logging of your YOLO11 model's training process.

Comet automatically logs the following data with no additional configuration: metrics such as mAP and loss, hyperparameters, model checkpoints, interactive confusion matrix, and image bounding box predictions.

Comet MLビジュアライゼーションでモデルのパフォーマンスを理解する

Let's dive into what you'll see on the Comet ML dashboard once your YOLO11 model begins training. The dashboard is where all the action happens, presenting a range of automatically logged information through visuals and statistics. Here's a quick tour:

実験パネル

The experiment panels section of the Comet ML dashboard organize and present the different runs and their metrics, such as segment mask loss, class loss, precision, and mean average precision.

指標

メトリックス・セクションでは、メトリックスを表形式で調べるオプションもあります。

Interactive Confusion Matrix

The confusion matrix, found in the Confusion Matrix tab, provides an interactive way to assess the model's classification accuracy. It details the correct and incorrect predictions, allowing you to understand the model's strengths and weaknesses.

システム指標

Comet ML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のログを記録します。これには、GPU 使用率、GPU メモリ使用率、CPU 使用率、RAM 使用率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のリソースの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、ロギングの動作を柔軟にカスタマイズすることができます。これらの設定により、Comet ML をあなたの特定のニーズや好みに合わせることができます。ここでは、いくつかの有用なカスタマイズオプションを紹介します：

ログ画像予測

Comet ML が実験中にログに記録する画像予測数を制御できます。デフォルトでは、Comet ML は検証セットから100の画像予測をログに記録します。しかし、この数はあなたの要求に合うように変更することができます。例えば、200の画像予測をログに記録するには、以下のコードを使います：

import os

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

バッチロギング間隔

Comet MLでは、画像予測のログを記録する頻度を指定できます。そのため COMET_EVAL_BATCH_LOGGING_INTERVAL 環境変数はこの頻度を制御する。デフォルトの設定は 1 で、すべての検証バッチから予測をログに記録します。この値を調整することで、異なる間隔で予測をログに記録することができます。たとえば、4 に設定すると、4 番目のバッチごとに予測をログに記録します。

import os

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

混乱マトリックスのログを無効にする

In some cases, you may not want to log the confusion matrix from your validation set after every epoch. You can disable this feature by setting the COMET_EVAL_LOG_CONFUSION_MATRIX 環境変数を "false "に設定する。混同行列はトレーニング終了後、一度だけ記録される。

import os

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

オフラインログ

インターネットアクセスが制限されている場合、Comet MLはオフライン・ロギング・オプションを提供します。このオプションは COMET_MODE 環境変数を "offline "に設定すると、この機能が有効になります。実験データはローカルのディレクトリに保存され、インターネット接続が可能な時にComet ML にアップロードすることができます。

import os

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

概要

This guide has walked you through integrating Comet ML with Ultralytics' YOLO11. From installation to customization, you've learned to streamline experiment management, gain real-time insights, and adapt logging to your project's needs.

Explore Comet ML's official documentation for more insights on integrating with YOLO11.

Furthermore, if you're looking to dive deeper into the practical applications of YOLO11, specifically for image segmentation tasks, this detailed guide on fine-tuning YOLO11 with Comet ML offers valuable insights and step-by-step instructions to enhance your model's performance.

さらに、Ultralytics との他のエキサイティングな統合を調べるには、豊富なリソースと情報を提供する統合ガイドページをご覧ください。

よくあるご質問

How do I integrate Comet ML with Ultralytics YOLO11 for training?

To integrate Comet ML with Ultralytics YOLO11, follow these steps:

1. 必要なパッケージをインストールする：

   pip install ultralytics comet_ml torch torchvision
   

2. Comet API キーを設定します：

   export COMET_API_KEY=<Your API Key>
   

3. Python コードでComet プロジェクトを初期化する：

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolov8-coco128")
   

4. Train your YOLO11 model and log metrics:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolov8-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

より詳細な手順については、Comet ML設定のセクションを参照してください。

What are the benefits of using Comet ML with YOLO11?

By integrating Ultralytics YOLO11 with Comet ML, you can:

• リアルタイムのインサイトをモニター：トレーニング結果を即座にフィードバックし、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：インターネットに接続できない場合でも、トレーニングの実行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 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。

How do I customize the logging behavior of Comet ML during YOLO11 training?

Comet MLでは、環境変数を使ってロギングの動作を広範囲にカスタマイズできる：

• 画像予測ログの数を変更する：

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

• バッチロギングの間隔を調整する：

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

• 混同行列のロギングを無効にする：

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

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のセクションを参照してください。

How do I view detailed metrics and visualizations of my YOLO11 training on Comet ML?

Once your YOLO11 model starts training, you can access a wide range of metrics and visualizations on the Comet ML dashboard. Key features include:

• Experiment Panels: View different runs and their metrics, including segment mask loss, class loss, and mean average precision.
• メトリクス：メトリックスを表形式で詳細分析。
• 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．
• システム・メトリクス：GPU 、CPU 使用率、メモリ使用量、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 MLビジュアライゼーション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。

Can I use Comet ML for offline logging when training YOLO11 models?

はい、Comet ML でオフラインログを有効にするには COMET_MODE 環境変数を "offline "に設定する：

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することができ、後でインターネット接続が可能になったときにComet ML にアップロードすることができる。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便利です。詳細については、オフラインロギングを参照してください。

📅 Created 11 months ago ✏️ Updated 12 days ago

コメント