Link to this sectionElevando o Treinamento do YOLO26: Simplifique seu Processo de Registro com o Comet#

Registrar detalhes importantes do treinamento, como parâmetros, métricas, previsões de imagem e checkpoints de modelo, é essencial no aprendizado de máquina — isso mantém seu projeto transparente, seu progresso mensurável e seus resultados repetíveis.

O Ultralytics YOLO26 integra-se perfeitamente ao Comet (anteriormente Comet ML), capturando e otimizando eficientemente cada aspecto do processo de treinamento do seu modelo de detecção de objetos YOLO26. Neste guia, abordaremos o processo de instalação, a configuração do Comet, insights em tempo real, registro personalizado e uso offline, garantindo que o seu treinamento YOLO26 esteja minuciosamente documentado e ajustado para resultados excepcionais.

Link to this sectionComet#

O Comet é uma plataforma para rastrear, comparar, explicar e otimizar modelos e experimentos de aprendizado de máquina. Ele permite que você registre métricas, parâmetros, mídia e muito mais durante o treinamento do seu modelo e monitore seus experimentos através de uma interface web esteticamente agradável. O Comet ajuda cientistas de dados a iterar mais rapidamente, aumenta a transparência e a reprodutibilidade, e auxilia no desenvolvimento de modelos de produção.

Link to this sectionAproveitando o Poder do YOLO26 e do Comet#

Ao combinar o Ultralytics YOLO26 com o Comet, você desbloqueia uma série de benefícios. Isso inclui gerenciamento de experimentos simplificado, 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 for limitado. Essa integração permite que você tome decisões baseadas em dados, analise métricas de desempenho e obtenha resultados excepcionais.

Link to this sectionInstalação#

Para instalar os pacotes necessários, execute:

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

Link to this sectionConfigurando o Comet#

Após instalar os pacotes necessários, você precisará se cadastrar, obter uma Chave de API do Comet 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.

Link to this sectionUso#

Antes de mergulhar nas instruções de uso, não deixe de conferir a gama de modelos YOLO26 oferecidos pela Ultralytics. Isso o ajudará a escolher o modelo mais adequado para os requisitos do seu 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 treinamento, o Comet criará um experimento no seu workspace do Comet para rastrear a execução automaticamente. Você receberá então um link para visualizar o registro detalhado do processo de treinamento do seu modelo YOLO26.

O Comet registra automaticamente os seguintes dados sem configuração adicional: métricas como mAP e perda, hiperparâmetros, checkpoints do modelo, matriz de confusão interativa e previsões de caixa delimitadora de imagem.

Link to this sectionEntendendo o Desempenho do Seu Modelo com as Visualizações do Comet#

Vamos mergulhar no que você verá no dashboard do Comet assim que seu modelo YOLO26 começar o treinamento. O dashboard 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 seção de painéis de experimento do dashboard do Comet organiza e apresenta as diferentes execuções e suas métricas, como perda de máscara de segmento, perda de classe, precisão e precisão média média.

Métricas

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

Matriz de Confusão Interativa

A matriz de confusão, encontrada na aba Matriz de Confusão, fornece uma maneira interativa de avaliar a precisão de classificação do modelo. Ela detalha as previsões corretas e incorretas, permitindo que você compreenda 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 treinamento. Isso inclui métricas como utilização da GPU, uso de memória da GPU, utilização da CPU e uso de RAM. Estas são essenciais para monitorar a eficiência do uso de recursos durante o treinamento do modelo.

Link to this sectionPersonalizando o Registro do Comet#

O Comet oferece a flexibilidade de 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 que o treinamento comece):

Link to this sectionRegistrando 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 o registro de previsão de imagem completamente (por exemplo, para reduzir o volume de upload em conexões lentas), defina COMET_EVAL_LOG_IMAGE_PREDICTIONS como "false":

import os

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

Link to this sectionIntervalo de Registro de Batch#

O Comet permite que você especifique com que frequência os batches de previsões de imagem são registrados. A variável de ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controla essa frequência. A configuração padrão é 1, que registra previsões de cada batch de validação. Você pode ajustar esse valor para registrar previsões em um intervalo diferente. Por exemplo, defini-lo como 4 registrará previsões a cada quatro batches.

import os

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

Link to this sectionDesativando o Registro da Matriz de Confusão#

Em alguns casos, você pode não querer registrar a matriz de confusão do seu conjunto de validação após cada época. Você pode desativar esse recurso definindo a variável de ambiente COMET_EVAL_LOG_CONFUSION_MATRIX como "false". A matriz de confusão será registrada apenas uma vez, após a conclusão do treinamento.

import os

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

Link to this sectionModo Online e Offline#

Por padrão, o Comet executa no modo online e transmite dados de experimento para os servidores do Comet. Se você precisar treinar sem acesso à internet, defina COMET_START_ONLINE=0 antes que o treinamento comece. Os dados do experimento são salvos localmente e podem ser carregados posteriormente com o CLI comet upload.

import os

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

Link to this sectionNome do Projeto#

Por padrão, o callback do Comet passa o argumento de treinamento project do YOLO para o Comet (ou None quando o argumento não é definido, caso em que o Comet usa o padrão do seu workspace). Substitua isso por COMET_PROJECT_NAME para enviar todos os experimentos para um projeto de workspace do Comet específico, independentemente do argumento de treinamento do YOLO:

import os

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

Link to this sectionNome do Artefato de Modelo#

COMET_MODEL_NAME define o nome que o Comet registra para o artefato de modelo registrado (o padrão é Ultralytics). Use-o para diferenciar variantes de modelo em um workspace compartilhado:

import os

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

Link to this sectionEscalonamento da Pontuação de Confiança#

As pontuações de confiança de detecção são emitidas na faixa [0, 1], mas a interface do Comet as exibe em uma escala percentual por padrão. O callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (o padrão é 100.0) antes de registrar. Ajuste isso se você preferir probabilidades brutas ou uma escala diferente:

import os

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

Link to this sectionResumo#

Este guia o conduziu pela integração do Comet com o YOLO26 da 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.

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

Além disso, se você deseja se aprofundar nas aplicações práticas do YOLO26, especificamente para tarefas de segmentação de imagem, este guia detalhado sobre ajuste fino do YOLO26 com o Comet oferece insights valiosos e instruções passo a passo para aprimorar o desempenho do seu modelo.

Adicionalmente, para explorar outras integrações interessantes com a Ultralytics, confira a página do guia de integração, que oferece uma riqueza de recursos e informações.

Link to this sectionFAQ#

Link to this sectionComo faço para integrar o Comet com o Ultralytics YOLO26 para treinamento?#

Para integrar o Comet com o Ultralytics YOLO26, siga estas etapas:

1. Instale os pacotes necessários:

   pip install ultralytics comet_ml torch torchvision

2. Configure sua Chave de API do Comet:

   export COMET_API_KEY=YOUR_API_KEY

3. Inicialize seu projeto Comet no seu código Python:

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

4. Treine seu modelo YOLO26 e registre 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 obter instruções mais detalhadas, consulte a seção de configuração do Comet.

Link to this sectionQuais são os benefícios de usar o Comet com o YOLO26?#

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

• Monitorar insights em tempo real: Obtenha feedback instantâneo sobre os resultados do seu treinamento, permitindo ajustes rápidos.
• Registrar métricas extensas: Capture automaticamente métricas essenciais, como mAP, perda, hiperparâmetros e checkpoints de modelo.
• Rastrear experimentos offline: Registre suas execuções de treinamento localmente quando o acesso à internet não estiver disponível.
• Comparar diferentes execuções de treinamento: Use o dashboard interativo do Comet para analisar e comparar múltiplos experimentos.

Ao aproveitar esses recursos, você pode otimizar seus fluxos de trabalho de aprendizado de máquina para melhor desempenho e reprodutibilidade. Para mais informações, visite o guia de integração do Comet.

Link to this sectionComo personalizo o comportamento de registro do Comet durante o treinamento do YOLO26?#

O Comet permite uma personalização extensiva do seu comportamento de registro usando variáveis de ambiente:

• Alterar o número de previsões de imagem registradas:

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

• Ajustar o intervalo de registro de batch:

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

• Desativar o registro da matriz de confusão:

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

• Define o nome do projeto no Comet:

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

• Define o nome do artefato do modelo registrado:

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

Consulta a secção Customizing Comet Logging para ver a lista completa, incluindo botões de alternância para predições de imagem, escala de pontuação de confiança e modo online/offline.

Link to this sectionComo posso visualizar métricas detalhadas e visualizações do meu treino YOLO26 no Comet?#

Assim que o teu modelo YOLO26 iniciar o treino, podes aceder a uma vasta gama de métricas e visualizações no dashboard do Comet. As principais funcionalidades incluem:

• Painéis de Experiência: Visualiza diferentes execuções e as suas métricas, incluindo a perda de máscara de segmentação, perda de classe e a precisão média.
• Métricas: Analisa métricas em formato tabular para uma análise detalhada.
• Matriz de Confusão Interativa: Avalia a precisão da classificação com uma matriz de confusão interativa.
• Métricas de Sistema: Monitoriza a utilização de GPU e CPU, uso de memória e outras métricas do sistema.

Para uma visão detalhada destas funcionalidades, visita a secção Understanding Your Model's Performance with Comet Visualizations.

Link to this sectionPosso usar o Comet para registo offline ao treinar modelos YOLO26?#

Sim. Define COMET_START_ONLINE=0 antes de iniciar o treino para registar localmente:

import os

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

Os dados da experiência são guardados no disco e podem ser carregados para o Comet mais tarde com a CLI comet upload quando houver conectividade. A variável anterior COMET_MODE="offline" ainda funciona, mas emite um aviso de descontinuação. Para mais detalhes, vê a secção Online and Offline Mode.