Elevando o Treinamento de YOLO26: Simplifique Seu Processo de Registro com Comet

O logging de detalhes importantes do treinamento, como parâmetros, métricas, previsões de imagem e checkpoints do modelo, é essencial em machine learning—mantém seu projeto transparente, seu progresso mensurável e seus resultados repetíveis.

Assista: Como Usar o Comet para Logs e Métricas de Treino de Modelos Ultralytics YOLO 🚀

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

Comet

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

Aproveitando o Poder de YOLO26 e Comet

Ao combinar Ultralytics YOLO26 com o Comet, você obtém 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

Após instalar os pacotes necessários, você precisará se inscrever, obter uma Chave de API 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 da API e prosseguirá com a configuração.

import comet_ml

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

Se estiver a usar um notebook Google Colab, o código acima irá pedir-lhe para inserir a sua chave de API para inicialização.

Utilização

Antes de mergulhar nas instruções de uso, certifique-se de verificar a gama de modelos YOLO26 oferecidos pela Ultralytics. Isso o ajudará a escolher o modelo mais apropriado 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 em seu espaço de trabalho 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 regista automaticamente os seguintes dados sem configuração adicional: métricas como mAP e perda, hiperparâmetros, checkpoints do modelo, matriz de confusão interativa e predições de bounding box de imagem.

Compreendendo o Desempenho do Seu Modelo com as Visualizações do Comet

Vamos explorar o 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 variedade de informações registradas automaticamente por meio de recursos visuais e estatísticas. Aqui está um rápido tour:

Painéis de Experimentos

A seção de painéis de experimentos do dashboard do Comet organiza e apresenta as diferentes execuções e suas métricas, como perda da máscara de segmento, perda de classe, precisão e precisão média.

Métricas

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

Matriz de Confusão interativa

A matriz de confusão, encontrada na aba Matriz de Confusão, fornece uma forma interativa de avaliar a precisão de classificação do modelo. Ela detalha as previsões corretas e incorretas, permitindo que você entenda os pontos fortes e fracos do modelo.

Métricas do Sistema

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

Personalizando o Logging do Comet

Comet oferece a flexibilidade de personalizar seu comportamento de registro definindo variáveis de ambiente. Essas configurações permitem adaptar o Comet às suas necessidades e preferências específicas. Aqui estão algumas opções úteis de personalização:

Logging de 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 às suas necessidades. Por exemplo, para registrar 200 previsões de imagem, use o seguinte código:

import os

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

Intervalo de Log de Lotes

Comet permite especificar com que frequência os lotes de previsões de imagem são registrados. A COMET_EVAL_BATCH_LOGGING_INTERVAL A variável de ambiente controla essa frequência. A configuração padrão é 1, que registra as previsões de cada lote de validação. Você pode ajustar este valor para registrar as previsões em um intervalo diferente. Por exemplo, defini-lo para 4 registrará as previsões de cada quarto lote.

import os

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

Desativando 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 este recurso definindo o COMET_EVAL_LOG_CONFUSION_MATRIX variável de ambiente para "false". A matriz de confusão só será registrada uma vez, após a conclusão do treinamento.

import os

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

Registo Offline

Se você se encontrar em uma situação onde o acesso à internet é limitado, Comet oferece uma opção de registro offline. Você pode definir a COMET_MODE variável de ambiente para "offline" para habilitar este recurso. Seus dados de experimento serão salvos localmente em um diretório que você poderá posteriormente carregar para o Comet quando a conectividade com a internet estiver disponível.

import os

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

Resumo

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

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

Além disso, se você busca aprofundar-se 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.

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

FAQ

Como integro o Comet com Ultralytics YOLO26 para treinamento?

Para integrar o Comet com Ultralytics YOLO26, siga estes passos:

1. Instale os pacotes necessários:

   pip install ultralytics comet_ml torch torchvision
   

2. Configurar sua Chave de API Comet:

   export COMET_API_KEY=YOUR_API_KEY
   

3. Inicialize seu projeto Comet em 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 instruções mais detalhadas, consulte a seção de configuração do Comet.

Quais são os benefícios de usar o Comet com YOLO26?

Ao integrar Ultralytics YOLO26 com o Comet, você pode:

• Monitorar insights em tempo real: Obtenha feedback instantâneo sobre seus resultados de treinamento, permitindo ajustes rápidos.
• Registre métricas extensivas: Capture automaticamente métricas essenciais, como mAP, perda, hiperparâmetros e checkpoints do modelo.
• Acompanhe experimentos offline: Registre suas execuções de treinamento localmente quando o acesso à internet não estiver disponível.
• Compare 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 machine learning para melhor desempenho e reprodutibilidade. Para mais informações, visite o guia de integração do Comet.

Como personalizo o comportamento de registro do Comet durante o treinamento de YOLO26?

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

• Altere o número de previsões de imagem registradas:

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

• Ajustar o intervalo de registro em lote:

  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"
  

Consulte a seção Personalizando o Registro do Comet para mais opções de personalização.

Como visualizo métricas detalhadas e visualizações do meu treinamento YOLO26 no Comet?

Assim que seu modelo YOLO26 começar a treinar, você pode acessar uma ampla gama de métricas e visualizações no painel do Comet. Os principais recursos incluem:

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

Para uma visão detalhada desses recursos, visite a seção Compreendendo o Desempenho do Seu Modelo com Visualizações do Comet.

Posso usar o Comet para registro offline ao treinar modelos YOLO26?

Sim, você pode habilitar o registro offline no Comet definindo a COMET_MODE variável de ambiente para "offline":

import os

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

Este recurso permite registrar seus dados de experimento localmente, que podem ser posteriormente carregados para o Comet quando a conectividade com a internet estiver disponível. Isso é particularmente útil ao trabalhar em ambientes com acesso limitado à internet. Para mais detalhes, consulte a seção Registro Offline.

📅 Criado há 2 anos ✏️ Atualizado há 4 dias

Comentários