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 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.

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.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required packages for YOLO11 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.login(project_name="comet-example-yolov8-coco128")

Google Colab 노트북을 사용 중인 경우, 위의 코드에서 초기화를 위해 API 키를 입력하라는 메시지가 표시됩니다.

사용법

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 시각화를 통한 모델 성능 이해하기

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:

실험 패널

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.

메트릭

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

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.

시스템 메트릭

Comet ML은 시스템 메트릭을 기록하여 트레이닝 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

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 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

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.

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

자주 묻는 질문

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

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

1. 필요한 패키지를 설치합니다:

   pip install ultralytics comet_ml torch torchvision
   

2. Comet API 키를 설정합니다:

   export COMET_API_KEY=<Your API Key>
   

3. Python 코드에서 Comet 프로젝트를 초기화합니다:

   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,
   )
   

자세한 지침은 Comet ML 구성 섹션을 참조하세요.

What are the benefits of using Comet ML with YOLO11?

By integrating Ultralytics YOLO11 with Comet ML, you can:

• 실시간 인사이트를 모니터링하세요: 교육 결과에 대한 즉각적인 피드백을 받아 빠르게 조정할 수 있습니다.
• 광범위한 메트릭을 기록하세요: 맵, 손실, 하이퍼파라미터, 모델 체크포인트와 같은 필수 메트릭을 자동으로 캡처합니다.
• 오프라인에서 실험을 추적합니다: 인터넷에 액세스할 수 없는 경우 로컬에서 트레이닝 실행을 기록합니다.
• 다양한 훈련 실행을 비교하세요: 대화형 Comet ML 대시보드를 사용하여 여러 실험을 분석하고 비교할 수 있습니다.

이러한 기능을 활용하면 머신 러닝 워크플로를 최적화하여 성능과 재현성을 향상시킬 수 있습니다. 자세한 내용은 Comet ML 통합 가이드를 참조하세요.

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

Comet ML을 사용하면 환경 변수를 사용하여 로깅 동작을 광범위하게 사용자 지정할 수 있습니다:

• 기록된 이미지 예측 수를 변경합니다:

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

• 배치 로깅 간격을 조정합니다:

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

• 혼동 매트릭스 로깅을 비활성화합니다:

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

더 많은 사용자 지정 옵션은 Comet ML 로깅 사용자 지정 섹션을 참조하세요.

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.
• 메트릭: 메트릭: 자세한 분석을 위해 표 형식으로 메트릭을 검토합니다.
• 대화형 혼동 매트릭스: 대화형 혼동 매트릭스로 분류 정확도를 평가하세요.
• 시스템 메트릭: GPU 및 CPU 사용률, 메모리 사용량 및 기타 시스템 메트릭을 모니터링합니다.

이러한 기능에 대한 자세한 개요는 Comet ML 시각화를 통한 모델 성능 이해 섹션을 참조하세요.

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

예, 오프라인 로그인을 사용 설정하여 Comet ML에 로그인할 수 있습니다. COMET_MODE 환경 변수를 "오프라인"으로 설정합니다:

import os

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

이 기능을 사용하면 실험 데이터를 로컬에 기록할 수 있으며, 나중에 인터넷 연결이 가능할 때 Comet ML에 업로드할 수 있습니다. 이 기능은 인터넷 접속이 제한된 환경에서 작업할 때 특히 유용합니다. 자세한 내용은 오프라인 로깅 섹션을 참조하세요.

📅 Created 11 months ago ✏️ Updated 12 days ago

댓글