YOLOv8 교육 강화: Comet ML로 로깅 프로세스 간소화하기

파라미터, 메트릭, 이미지 예측, 모델 체크포인트와 같은 주요 학습 세부 정보를 기록하는 것은 머신러닝에서 필수적인 작업으로, 프로젝트를 투명하게 유지하고 진행 상황을 측정할 수 있으며 결과를 반복할 수 있게 해줍니다.

Ultralytics YOLOv8 는 Comet ML과 원활하게 통합되어 YOLOv8 객체 감지 모델의 학습 과정의 모든 측면을 효율적으로 캡처하고 최적화합니다. 이 가이드에서는 설치 프로세스, Comet ML 설정, 실시간 인사이트, 사용자 지정 로깅, 오프라인 사용법을 다루며 YOLOv8 훈련이 철저하게 문서화되고 미세 조정되어 뛰어난 결과를 얻을 수 있도록 보장합니다.

Comet ML

Comet ML은 머신 러닝 모델과 실험을 추적, 비교, 설명, 최적화하기 위한 플랫폼입니다. 모델 훈련 중에 메트릭, 매개변수, 미디어 등을 기록하고 미적으로 보기 좋은 웹 인터페이스를 통해 실험을 모니터링할 수 있습니다. Comet ML은 데이터 과학자가 더 빠르게 반복하고, 투명성과 재현성을 높이며, 프로덕션 모델을 개발하는 데 도움을 줍니다.

YOLOv8 및 Comet ML의 힘 활용하기

Ultralytics YOLOv8 과 Comet ML을 결합하면 다양한 이점을 누릴 수 있습니다. 여기에는 간소화된 실험 관리, 빠른 조정을 위한 실시간 인사이트, 유연하고 맞춤화된 로깅 옵션, 인터넷 액세스가 제한될 때 오프라인으로 실험을 기록할 수 있는 기능 등이 포함됩니다. 이러한 통합을 통해 데이터 기반의 의사 결정을 내리고, 성능 지표를 분석하고, 탁월한 결과를 달성할 수 있습니다.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required packages for YOLOv8 and Comet ML
pip install ultralytics comet_ml torch torchvision

Comet ML 구성

필요한 패키지를 설치한 후 가입하고 Comet API 키를 받은 후 설정해야 합니다.

# Set your Comet Api Key
export COMET_API_KEY=<Your API Key>

그런 다음 Comet 프로젝트를 초기화할 수 있습니다. Comet 에서 자동으로 API 키를 감지하고 설정을 진행합니다.

import comet_ml

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

Google Colab 노트북을 사용하는 경우, 위의 코드에 초기화를 위해 API 키를 입력하라는 메시지가 표시됩니다.

사용법

사용 지침을 살펴보기 전에 Ultralytics 에서 제공하는 다양한 YOLOv8 모델을 확인하세요. 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 될 것입니다.

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
)

트레이닝 코드를 실행하면 Comet ML이 Comet 작업 영역에 실험을 생성하여 자동으로 실행을 추적합니다. 그러면 YOLOv8 모델의 훈련 과정에 대한 자세한 로깅을 볼 수 있는 링크가 제공됩니다.

Comet 는 추가 구성 없이도 mAP 및 손실, 하이퍼파라미터, 모델 체크포인트, 대화형 혼동 행렬, 이미지 경계 상자 예측과 같은 메트릭 데이터를 자동으로 기록합니다.

Comet ML 시각화를 통한 모델 성능 이해하기

YOLOv8 모델이 훈련을 시작하면 Comet ML 대시보드에 표시되는 내용을 자세히 살펴보겠습니다. 대시보드는 모든 작업이 이루어지는 곳으로, 시각 자료와 통계를 통해 자동으로 기록된 다양한 정보를 표시합니다. 간단히 살펴보겠습니다:

실험 패널

Comet ML 대시보드의 실험 패널 섹션에는 다양한 실행과 세그먼트 마스크 손실, 클래스 손실, 정밀도 및 평균 평균 정밀도와 같은 메트릭이 정리되어 표시됩니다.

메트릭

메트릭 섹션에서는 여기에 표시된 것처럼 전용 창에 표시되는 표 형식으로 메트릭을 검토할 수 있는 옵션도 있습니다.

인터랙티브 혼동 매트릭스

혼동 행렬 탭에 있는 혼동 행렬은 모델의 분류 정확도를 평가할 수 있는 대화형 방법을 제공합니다. 올바른 예측과 잘못된 예측을 자세히 설명하여 모델의 강점과 약점을 파악할 수 있습니다.

시스템 메트릭

Comet ML은 시스템 메트릭을 기록하여 학습 프로세스의 병목 현상을 파악하는 데 도움을 줍니다. 여기에는 GPU 사용률, GPU 메모리 사용량, CPU 사용률 및 RAM 사용량과 같은 메트릭이 포함됩니다. 이러한 지표는 모델 학습 중 리소스 사용의 효율성을 모니터링하는 데 필수적입니다.

Comet ML 로깅 사용자 지정

Comet ML은 환경 변수를 설정하여 로깅 동작을 사용자 지정할 수 있는 유연성을 제공합니다. 이러한 구성을 통해 Comet ML을 특정 요구 사항과 선호도에 맞게 조정할 수 있습니다. 다음은 몇 가지 유용한 사용자 지정 옵션입니다:

이미지 예측 로깅

실험 중에 Comet ML이 기록하는 이미지 예측의 수를 제어할 수 있습니다. 기본적으로 Comet ML은 유효성 검사 세트에서 100개의 이미지 예측을 기록합니다. 그러나 요구 사항에 더 적합하도록 이 수를 변경할 수 있습니다. 예를 들어 200개의 이미지 예측을 기록하려면 다음 코드를 사용합니다:

import os

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

일괄 로깅 간격

Comet ML을 사용하면 이미지 예측 배치를 기록하는 빈도를 지정할 수 있습니다. 이미지 예측의 COMET_EVAL_BATCH_LOGGING_INTERVAL 환경 변수가 이 빈도를 제어합니다. 기본 설정은 1로, 모든 유효성 검사 배치에서 예측을 기록합니다. 이 값을 조정하여 다른 간격으로 예측을 기록할 수 있습니다. 예를 들어 4로 설정하면 네 번째 배치마다 예측을 기록합니다.

import os

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

혼동 매트릭스 로깅 비활성화

경우에 따라 매 에포크마다 유효성 검사 세트에서 혼동 행렬을 기록하지 않으려는 경우도 있습니다. 이 기능을 비활성화하려면 COMET_EVAL_LOG_CONFUSION_MATRIX 환경 변수를 "false"로 설정합니다. 혼동 행렬은 훈련이 완료된 후 한 번만 기록됩니다.

import os

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

오프라인 로깅

인터넷 접속이 제한되는 상황에 처한 경우 Comet ML에서 오프라인 로깅 옵션을 제공합니다. 오프라인 로깅 옵션을 설정하려면 COMET_MODE 환경 변수를 "오프라인"으로 설정하면 이 기능을 사용할 수 있습니다. 실험 데이터는 로컬 디렉터리에 저장되며 나중에 인터넷에 연결할 수 있을 때 Comet ML에 업로드할 수 있습니다.

import os

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

요약

이 가이드는 Comet ML과 Ultralytics' YOLOv8 를 통합하는 방법을 안내합니다. 설치부터 사용자 지정까지, 실험 관리를 간소화하고, 실시간 인사이트를 얻고, 프로젝트의 필요에 맞게 로깅을 조정하는 방법을 배웠습니다.

YOLOv8 과의 통합에 대한 자세한 내용은 Comet ML의 공식 문서를 참조하세요.

또한 이미지 세분화 작업을 위한 YOLOv8 의 실제 적용에 대해 자세히 알아보고 싶다면 Comet ML을 사용한 YOLOv8 미세 조정에 대한 자세한 가이드에서 모델 성능을 향상시키는 데 유용한 인사이트와 단계별 지침을 확인할 수 있습니다.

또한, 다양한 리소스와 정보를 제공하는 통합 가이드 페이지( Ultralytics)에서 다른 흥미로운 통합 기능을 살펴보세요.

댓글