Começar

Melhora o treino do YOLO26: simplifica o processo de registo com o Comet

Registar detalhes importantes do treino, como parâmetros, métricas, previsões de imagens e pontos de controlo do modelo, é essencial na aprendizagem automática — mantém o teu projeto transparente, permite medir o progresso e torna os resultados reproduzíveis.



Assista: Como usar Comet para registrar logs e métricas de treinamento de modelos Ultralytics YOLO 🚀

O Ultralytics YOLO26 integra-se com o Comet (anteriormente Comet ML) para registar o processo de treino dos teus modelos de deteção de objetos YOLO26. Este guia aborda a instalação, a configuração do Comet, as informações em tempo real, o registo personalizado e a utilização offline, para que as execuções de treino do YOLO26 fiquem documentadas e sejam reproduzíveis.

Comet#

Comet ML experiment tracking dashboard

O Comet é uma plataforma para acompanhar, comparar, explicar e otimizar modelos e experiências de aprendizagem automática. Permite registar métricas, parâmetros, conteúdos multimédia e muito mais durante o treino dos modelos, bem como monitorizar as experiências através de uma interface Web. O Comet ajuda os cientistas de dados a iterar mais rapidamente, aumenta a transparência e a reprodutibilidade e contribui para o desenvolvimento de modelos prontos para produção.

Tira partido do poder do YOLO26 e do Comet#

A combinação do Ultralytics YOLO26 com o Comet oferece várias vantagens, incluindo o acompanhamento simplificado de experiências, informações em tempo real para fazer ajustes rapidamente, opções de registo flexíveis e personalizadas e a possibilidade de registar experiências offline quando o acesso à Internet é limitado. Esta integração ajuda-te a tomar decisões baseadas em dados e a analisar métricas de desempenho.

Instalação#

Para instalar os pacotes necessários, executa:

Instalação
# Install YOLO26 and Comet
pip install ultralytics comet_ml

Configurar o Comet#

Depois de instalares os pacotes necessários, tens de criar uma conta, obter uma chave de API do Comet e configurá-la.

Configurar o Comet
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Em seguida, autentica-te no Comet. O callback da Ultralytics cria a experiência e utiliza o argumento de treino YOLO project como nome do projeto no Comet.

Inicializar o projeto do Comet
import comet_ml

comet_ml.login()

Se estiveres a usar um notebook do Google Colab, o código acima vai pedir-te a chave de API para a inicialização.

Uso#

Uso
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")

# Treinar o modelo
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Depois de executares o código de treino, o Comet cria automaticamente uma experiência no teu espaço de trabalho do Comet para acompanhar a execução. Em seguida, receberás uma ligação para ver o registo detalhado do processo de treino do teu modelo YOLO26.

Depois de instalares e configurares o Comet, o respetivo callback fica ativado por predefinição e regista métricas como mAP e loss, hiperparâmetros, checkpoints do modelo e uma matriz de confusão interativa. As previsões de caixas delimitadoras das imagens do conjunto de validação são registadas no treino de deteção e de segmentação com save_json=True. Executa yolo settings comet=False para desativar a integração.

Compreende o desempenho do teu modelo com as visualizações do Comet#

Quando o treino do modelo YOLO26 começar, o painel do Comet apresentará informações registadas automaticamente através de elementos visuais e estatísticas:

Painéis de experiências

A secção de painéis de experiências do painel do Comet organiza e apresenta as diferentes execuções e as respetivas métricas, como a loss das máscaras de segmentação, a loss das classes, a precisão e a precisão média.

Comet experiment panels comparing YOLO26 training runs and metrics

Métricas

Na secção de métricas, também podes analisar as métricas num formato tabular, apresentado num painel dedicado, como ilustrado aqui.

Comet metrics pane listing YOLO26 training metrics in a table

Matriz de confusão interativa

A matriz de confusão, disponível no separador Confusion Matrix, oferece uma forma interativa de avaliar a precisão da classificação do modelo. Apresenta previsões corretas e incorretas, permitindo-te compreender os pontos fortes e fracos do modelo.

Comet interactive confusion matrix for YOLO26 validation results

Métricas do sistema

O Comet regista métricas do sistema para ajudar a identificar possíveis estrangulamentos no processo de treino. Estas incluem métricas como a utilização da GPU, a utilização da memória da GPU, a utilização da CPU e a utilização da RAM. São essenciais para monitorizar a eficiência da utilização de recursos durante o treino do modelo.

Comet system metrics showing GPU and CPU utilization during training

Personalizar o registo do Comet#

O Comet permite personalizar o comportamento do registo através da definição de variáveis de ambiente. Estas configurações permitem adaptar o Comet às tuas necessidades e preferências específicas. O callback da Ultralytics lê as seguintes variáveis de ambiente (define-as antes do início do treino):

Variável de ambientePadrãoDescrição
COMET_START_ONLINE1Executa a experiência no modo online (1) ou offline (0).
COMET_PROJECT_NAMEargs.projectProjeto do espaço de trabalho do Comet. Se não estiver definida, utiliza o argumento de treino YOLO project.
COMET_MODEL_NAMEUltralyticsNome atribuído ao artefacto de modelo registado.
COMET_MAX_IMAGE_PREDICTIONS100Número total de previsões de imagens de validação a registar por execução.
COMET_EVAL_BATCH_LOGGING_INTERVAL1Regista previsões de imagens a cada N.º lote de validação.
COMET_EVAL_LOG_IMAGE_PREDICTIONStrueAtiva (true) ou desativa (false) o registo de previsões de imagens.
COMET_EVAL_LOG_CONFUSION_MATRIXfalseRegistra uma matriz de confusão em cada checkpoint save_period. Uma matriz final é sempre registrada após o treinamento.
COMET_MAX_CONFIDENCE_SCORE100.0Multiplicador aplicado às pontuações de confiança de deteção antes do registo (a interface do Comet espera uma escala percentual).
COMET_MODE (obsoleto)onlineAlias legado de COMET_START_ONLINE ("online" ↔ 1, "offline" ↔ 0). Emite um aviso de descontinuação.

Para as opções booleanas (COMET_EVAL_LOG_IMAGE_PREDICTIONS e COMET_EVAL_LOG_CONFUSION_MATRIX), os valores 1, true, yes, on, y e t são interpretados como True (sem distinção entre maiúsculas e minúsculas). Qualquer outro valor é interpretado como False.

Registar previsões de imagens#

Podes controlar o número de previsões de imagens que o Comet registra durante os experimentos. Com save_json=True, o Comet registra até 100 previsões de imagens do conjunto de validação. No entanto, podes alterar esse número para atender melhor às tuas necessidades. Por exemplo, para registrar 200 previsões de imagens, usa o seguinte código:

import os

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

Para desativar o registro de previsões de imagens anotadas (por exemplo, para reduzir o volume de carregamento em conexões lentas), define COMET_EVAL_LOG_IMAGE_PREDICTIONS como "false":

import os

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

As imagens dos gráficos train_batch*.jpg e val_batch*.jpg ainda são registradas ao final do treinamento.

Intervalo de registo dos lotes#

O Comet permite especificar a frequência de registo dos lotes de previsões de imagens. 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 com outro intervalo. Por exemplo, se definires o valor como 4, serão registadas previsões de cada quarto lote.

import os

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

Registro da matriz de confusão por época#

Por padrão, a matriz de confusão do conjunto de validação é registrada uma vez, após a conclusão do treinamento. Para também registrá-la em cada checkpoint salvo por save_period (save_period=1 salva a cada época), defina a variável de ambiente COMET_EVAL_LOG_CONFUSION_MATRIX como "true."

import os

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

Modo online e offline#

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

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (predefinição) = online, 0 = offline
`COMET_MODE` está obsoleto

As versões anteriores utilizavam COMET_MODE="offline" para este fim. A variável continua a ser aceite por compatibilidade com versões anteriores, mas emite um aviso de descontinuação. A partir de agora, utiliza COMET_START_ONLINE.

Nome do projeto#

Por predefinição, o callback do Comet envia ao Comet o argumento de treino YOLO project (ou None se o argumento não estiver definido; nesse caso, o Comet utiliza a predefinição do teu espaço de trabalho). Substitui este valor por COMET_PROJECT_NAME para enviar todas as experiências para um projeto específico do espaço de trabalho do Comet, independentemente do argumento de treino YOLO:

import os

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

Nome do artefacto do modelo#

COMET_MODEL_NAME define o nome que o Comet atribui ao artefacto de modelo registado (por predefinição, Ultralytics). Utiliza-o para distinguir variantes do modelo num espaço de trabalho partilhado:

import os

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

Escala da pontuação de confiança#

As pontuações de confiança de deteção são emitidas no intervalo [0, 1], mas, por predefinição, a interface do Comet apresenta-as numa escala percentual. Antes do registo, o callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (predefinição: 100.0). Ajusta este valor se preferires probabilidades brutas ou outra escala:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # registar pontuações brutas [0, 1]

Resumo#

Este guia explicou como integrar o Comet com o Ultralytics YOLO26. Desde a instalação até à personalização, aprendeste a simplificar a gestão de experiências, obter informações em tempo real e adaptar o registo às necessidades do teu projeto.

Consulta a documentação oficial de integração do YOLOv8 com o Comet, que também se aplica a projetos YOLO26.

Perguntas frequentes#

  • Para integrar o Comet com o Ultralytics YOLO26, segue estes passos:

    1. Instala os pacotes necessários:

      pip install ultralytics comet_ml
    2. Configura a tua chave de API do Comet:

      export COMET_API_KEY=YOUR_API_KEY
    3. Autentica-te no Comet no teu código Python:

      import comet_ml
      
      comet_ml.login()
    4. Treina o teu modelo YOLO26 e regista as métricas:

      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
      results = model.train(
          data="coco8.yaml",
          project="comet-example-yolo26-coco128",
          batch=32,
          save_period=1,
          save_json=True,
          epochs=3,
      )

    Para obteres instruções mais detalhadas, consulta a secção de configuração do Comet.

  • Ao integrar o Ultralytics YOLO26 com o Comet, você pode:

    • Acompanhar insights em tempo real: receba feedback instantâneo sobre os resultados do treinamento, permitindo fazer ajustes rapidamente.
    • Registrar métricas abrangentes: capture automaticamente métricas essenciais, como mAP, perda, hiperparâmetros e checkpoints do modelo.
    • Acompanhar experimentos offline: registre localmente as execuções de treinamento quando não houver acesso à internet.
    • Comparar diferentes execuções de treinamento: use o painel interativo do Comet para analisar e comparar vários experimentos.

    Com estas funcionalidades, podes otimizar os teus fluxos de trabalho de aprendizagem automática para obter melhor desempenho e reprodutibilidade.

  • O Comet permite personalizar amplamente o comportamento de registro usando variáveis de ambiente:

    • Alterar o número de previsões de imagens registradas:

      import os
      
      os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
    • Ajustar o intervalo de registro de lotes:

      import os
      
      os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
    • Registre a matriz de confusão em cada checkpoint save_period:

      import os
      
      os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true"
    • Definir o nome do projeto no Comet:

      import os
      
      os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"
    • Definir o nome do artefato do modelo registrado:

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

    Consulte a seção Personalizar o registro do Comet para ver a lista completa, que inclui opções para ativar ou desativar o registro de previsões de imagens, ajustar a escala da pontuação de confiança e escolher entre o modo online e offline.

  • Quando o treinamento do modelo YOLO26 começar, você poderá acessar uma ampla variedade de métricas e visualizações no painel do Comet. Os principais recursos incluem:

    • Painéis de experiências: Consulta diferentes execuções e as respetivas métricas, incluindo a perda da máscara de segmentação, a perda de classe e a precisão média.
    • Métricas: examine as métricas em formato de tabela para fazer uma análise detalhada.
    • Matriz de confusão interativa: avalie a precisão da classificação com uma matriz de confusão interativa.
    • Métricas do sistema: monitore o uso da GPU e da CPU, o consumo de memória e outras métricas do sistema.

    Para uma visão geral detalhada desses recursos, consulte a seção Entenda o desempenho do seu modelo com as visualizações do Comet.

  • Sim. Defina COMET_START_ONLINE=0 antes de iniciar o treinamento para registrar os dados localmente:

    import os
    
    os.environ["COMET_START_ONLINE"] = "0"

    Os dados do experimento são salvos no disco e podem ser enviados ao Comet mais tarde com a CLI comet upload, quando houver conexão. A variável COMET_MODE="offline" anterior continua funcionando, mas gera um aviso de descontinuação. Para saber mais, consulte a seção Modo online e offline.

Comentários5

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. lauravchrobakGitHub

    I am getting this warning when using the above workflow, 'comet_ml.init() is deprecated and will be removed soon. Please use comet_ml.login()' perhaps the above should be updated to use comet_ml.login() instead?

    1. Paula DerrengerUltralytics

      @lauravchrobak thank you for pointing that out. The warning indicates that comet_ml.init() is deprecated and should be replaced with comet_ml.login(). We will update the documentation accordingly. For now, please use comet_ml.login() to avoid the deprecation warning. If you encounter any further issues, ensure you are using the latest versions of the packages. For more details, you can visit the Comet ML integration guide.

      1
    2. Glenn JocherUltralytics

      Thank you for your feedback! We've updated our documentation to use comet_ml.login() instead of the deprecated comet_ml.init(). This should resolve the warning you're encountering. If you have any other questions or need further assistance, feel free to ask. For more details, you can visit the Comet ML integration guide.