Elevando o Treino do YOLO26: Simplifique Seu Processo de Registro com o Comet#

Registar detalhes essenciais de treino, como parâmetros, métricas, previsões de imagem e pontos de controlo do modelo, é fundamental em machine learning—garante a transparência do projeto, a mensurabilidade do progresso e a repetibilidade dos resultados.

Ultralytics YOLO26 integra-se perfeitamente com o Comet (antigamente Comet ML), capturando e otimizando de forma eficiente todos os aspetos do processo de treino do teu modelo de object detection YOLO26. Neste guia, vamos abordar o processo de instalação, a configuração do Comet, os dados em tempo real, o registo personalizado e a utilização offline, garantindo que o teu treino YOLO26 fica totalmente documentado e otimizado para resultados excecionais.

Comet#

O Comet é uma plataforma para rastrear, comparar, explicar e otimizar modelos e experiências de machine learning. Permite registar métricas, parâmetros, conteúdos multimédia e muito mais durante o treino do teu modelo, além de monitorizar as tuas experiências através de uma interface web esteticamente agradável. O Comet ajuda os cientistas de dados a iterar mais rapidamente, aumenta a transparência e a reprodutibilidade, e auxilia no desenvolvimento de modelos de produção.

Aproveitando o Poder do YOLO26 e do Comet#

Ao combinar o Ultralytics YOLO26 com o Comet, você desbloqueia uma série de benefícios. Estes incluem gerenciamento simplificado de experimentos, insights em tempo real para ajustes rápidos, opções de registro flexíveis e personalizadas, e a capacidade de registrar experimentos offline quando o acesso à internet é limitado. Essa integração permite que você tome decisões baseadas em dados, analise métricas de desempenho e alcance resultados excepcionais.

Instalação#

Para instalar os pacotes necessários, execute:

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Configurando o Comet#

Depois de instalares os pacotes necessários, precisas de te registar, obter uma Comet API Key e configurá-la.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Em seguida, você pode inicializar seu projeto Comet. O Comet detectará automaticamente a chave de API e prosseguirá com a configuração.

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

Se você estiver usando um notebook Google Colab, o código acima solicitará que você insira sua chave de API para inicialização.

Uso#

Antes de mergulhares nas instruções de uso, certifica-te de explorar a gama de YOLO26 models offered by Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado para os requisitos do teu projeto.

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,
)

Após executar o código de treino, o Comet criará uma experiência no teu workspace do Comet para rastrear a execução automaticamente. Ser-te-á então fornecido um link para visualizar o registo detalhado do processo de YOLO26 model's training.

O Comet regista automaticamente os seguintes dados sem configuração adicional: métricas como mAP e perda, hiperparâmetros, pontos de controlo do modelo, matriz de confusão interativa e previsões de bounding box de imagens.

Entendendo o Desempenho do Seu Modelo com Visualizações do Comet#

Vamos mergulhar no que você verá no painel do Comet assim que seu modelo YOLO26 começar a treinar. O painel é onde toda a ação acontece, apresentando uma gama de informações registradas automaticamente através de visuais e estatísticas. Aqui está um tour rápido:

Painéis de Experimento

A secção de painéis de experiências do painel do Comet organiza e apresenta as diferentes execuções e respetivas métricas, tais como perda de máscara de segmento, perda de classe, precisão e mean average precision.

Métricas

Na seção de métricas, você tem a opção de examinar as métricas em um formato tabular também, que é exibido em um painel dedicado, como ilustrado aqui.

Confusion Matrix Interativa

A matriz de confusão, encontrada no separador Confusion Matrix, fornece uma forma interativa de avaliar a accuracy de classificação do modelo. Detalha as previsões corretas e incorretas, permitindo-te compreender os pontos fortes e fracos do modelo.

Métricas de Sistema

O Comet registra métricas de sistema para ajudar a identificar quaisquer gargalos no processo de treino. Inclui métricas como utilização de GPU, uso de memória da GPU, utilização de CPU e uso de RAM. Estas são essenciais para monitorar a eficiência do uso de recursos durante o treino do modelo.

Personalizando o Registro do Comet#

O Comet oferece flexibilidade para personalizar seu comportamento de registro definindo variáveis de ambiente. Essas configurações permitem que você adapte o Comet às suas necessidades e preferências específicas. O callback do Ultralytics lê as seguintes variáveis de ambiente (defina-as antes do início do treino):

Para os comutadores booleanos (COMET_EVAL_LOG_IMAGE_PREDICTIONS e COMET_EVAL_LOG_CONFUSION_MATRIX), os valores 1, true, yes, on, y e t são analisados como True (sensível a maiúsculas e minúsculas). Qualquer outro valor é False.

Registrando Previsões de Imagem#

Você pode controlar o número de previsões de imagem que o Comet registra durante seus experimentos. Por padrão, o Comet registra 100 previsões de imagem do conjunto de validação. No entanto, você pode alterar esse número para melhor atender aos seus requisitos. Por exemplo, para registrar 200 previsões de imagem, use o seguinte código:

import os

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

Para desativar totalmente o registo de previsões de imagem (por exemplo, para reduzir o volume de uploads em ligações lentas), define COMET_EVAL_LOG_IMAGE_PREDICTIONS como "false":

import os

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

Intervalo de Registro de Lotes#

O Comet permite-te especificar com que frequência os lotes de previsões de imagem são registados. A variável de ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frequência. A predefinição é 1, o que regista previsões de cada lote de validação. Podes ajustar este valor para registar previsões num intervalo diferente. Por exemplo, defini-lo como 4 registará previsões a cada quatro lotes.

import os

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

Desativando o Registro da Matriz de Confusão#

Em alguns casos, podes não querer registar a matriz de confusão do teu conjunto de validação após cada epoch. Podes desativar esta funcionalidade definindo a variável de ambiente COMET_EVAL_LOG_CONFUSION_MATRIX como "false". A matriz de confusão só será registada uma vez, após a conclusão do treino.

import os

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

Modo Online e Offline#

Por predefinição, o Comet é executado no modo online e transmite os dados da experiência para os servidores do Comet. Se precisares de treinar sem acesso à internet, define COMET_START_ONLINE=0 antes de o treino começar. Os dados da experiência são guardados localmente e podem ser carregados mais tarde com a CLI comet upload.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Nome do Projeto#

Por predefinição, a callback do Comet passa o argumento de treino YOLO project para o Comet (ou None quando o argumento não está definido, caso em que o Comet utiliza a predefinição do teu workspace). Substitui isto com COMET_PROJECT_NAME para enviar todas as experiências para um projeto de workspace do Comet específico, independentemente do argumento de treino YOLO:

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Nome do Artefato de Modelo#

COMET_MODEL_NAME define o nome que o Comet regista para o artefacto de modelo registado (predefinição: Ultralytics). Utiliza-o para distinguir variantes de modelos num workspace partilhado:

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Escalonamento de Pontuação de Confiança#

As pontuações de confiança de deteção são emitidas no intervalo [0, 1], mas a IU do Comet apresenta-as numa escala percentual por predefinição. A callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (predefinição 100.0) antes de efetuar o registo. Ajusta isto se preferires probabilidades em bruto ou uma escala diferente:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Resumo#

Este guia guiou você pela integração do Comet com o YOLO26 do Ultralytics. Da instalação à personalização, você aprendeu a simplificar o gerenciamento de experimentos, obter insights em tempo real e adaptar o registro às necessidades do seu projeto.

Explora a Comet's official YOLOv8 integration documentation, que também se aplica a projetos YOLO26.

Além disso, se pretendes aprofundar as aplicações práticas do YOLO26, especificamente para tarefas de image segmentation, este guia detalhado sobre fine-tuning YOLO26 with Comet oferece valiosas perspetivas e instruções passo a passo para melhorar o desempenho do teu modelo.

Adicionalmente, para explorar outras integrações fantásticas com o Ultralytics, consulta a integration guide page, que disponibiliza uma vasta gama de recursos e informações.

FAQ#