YOLOv8 トレーニングの向上：Comet MLによるロギングプロセスの簡素化

パラメータ、メトリクス、画像予測、モデルのチェックポイントなど、主要なトレーニングの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ある。

Ultralytics YOLOv8は、Comet ML とシームレスに統合し、YOLOv8 オブジェクト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 ML 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について説明し、YOLOv8 トレーニングを徹底的に文書化し、優れた結果が得られるように微調整します。

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。

YOLOv8 とComet ML のパワーを活用する

Ultralytics YOLOv8 をComet ML と組み合わせることで、さまざまな利点が得られます。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の洞察、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のオフラインでの実験ロギング機能などが含まれます。この統合により、データ駆動型の意思決定、パフォーマンス測定基準の分析、卓越し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

# Install the required packages for YOLOv8 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.init(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

使い方の説明に入る前に、 Ultralytics が提供するYOLOv8 モデルのラインナップをご確認ください。これは、あなたのプロジェクトの要件に最も適したモデルを選択するのに役立ちます。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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,
)

トレーニングコードの実行後、Comet ML はComet ワークスペースに実験を作成し、自動的に実行を追跡します。その後、YOLOv8 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 mAPや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、画像のバウンディングボックス予測などです。

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

で何が表示されるかに飛び込みましょう Comet MLダッシュボードは、 YOLOv8 モデルがトレーニングを開始します。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。以下はその概要です。

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は、セグメントマスク損失、クラス損失、精度、平均平均精度など、さまざまな実行とそのメトリクスを整理して表示します。

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。

インタラクティブな混乱マトリックス

混同行列は、混同行列タブにあり、モデルの分類精度を評価するインタラクティブな方法を提供します。これは、正しい予測と正しくない予測の詳細を示し、モデルの長所と短所を理解することを可能にします。

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

場合によっては、エポックごとに検証セットの混同行列をログに残したくないこともあるでしょう。この機能は 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

このガイドでは、Comet ML とUltralytics'YOLOv8 の統合について説明した。インストールからカスタマイズまで、実験管理を合理化し、リアルタイムの洞察を得て、ロギングをプロジェクトのニーズに適応させる方法を学びました。

YOLOv8 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参照してください。

さらに、YOLOv8 の実用的なアプリケーション、特に画像セグメンテーションタスクに深く潜り込みたい場合は、 Comet ML によるYOLOv8 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洞察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

Comet ML をUltralytics YOLOv8 と統合してトレーニングするには？

Comet ML をUltralytics YOLOv8 と統合するには、以下の手順に従う：

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.init(project_name="comet-example-yolov8-coco128")
   

4. YOLOv8 モデルをトレーニングし、メトリクスを記録します：

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.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。

YOLOv8 でComet ML を使用する利点は何ですか？

Ultralytics YOLOv8 をComet ML と統合することで、以下のことが可能になる：

• 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。

YOLOv8 トレーニング中のComet ML のロギング動作をカスタマイズするには？

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"
  

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のセクションを参照してください。

Comet ML のYOLOv8 トレーニングの詳細なメトリクスやビジュアライゼーションはどのように見ることができますか？

YOLOv8 モデルがトレーニングを開始すると、Comet ML ダッシュボードで幅広いメトリクスと可視化にアクセスできます。主な機能は以下の通り：

• 実験パネル：セグメントマスク損失、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：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。

YOLOv8 モデルをトレーニングする際、Comet ML を使ってオフラインでロギングできますか？

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。

コメント