A elevar o treino do YOLO26: simplifica o teu processo de registo com o Comet#

Registar detalhes essenciais do treino, como parâmetros, métricas, previsões de imagens e checkpoints do modelo, é fundamental em aprendizagem automática — mantém o teu projeto transparente, o teu progresso mensurável e os teus resultados reproduzíveis.

O Ultralytics YOLO26 integra-se perfeitamente com o Comet (anteriormente Comet ML), capturando e otimizando eficientemente todos os aspetos do processo de treino do teu modelo de deteção de objetos YOLO26. Neste guia, abordaremos o processo de instalação, a configuração do Comet, os insights em tempo real, o registo personalizado e a utilização offline, garantindo que o teu treino do YOLO26 fica completamente documentado e ajustado para obter resultados excecionais.

Comet#

O Comet é uma plataforma para acompanhar, comparar, explicar e otimizar modelos e experiências de aprendizagem automática. Permite-te registar métricas, parâmetros, multimédia e muito mais durante o treino do modelo, bem como monitorizar as tuas experiências através de uma interface Web visualmente apelativa. O Comet ajuda os cientistas de dados a iterar mais rapidamente, melhora a transparência e a reprodutibilidade e contribui para o desenvolvimento de modelos de produção.

Aproveitar o poder do YOLO26 e do Comet#

Ao combinares o Ultralytics YOLO26 com o Comet, desbloqueias uma série de benefícios. Estes incluem uma gestão simplificada de experiências, insights em tempo real para ajustes rápidos, opções de registo flexíveis e personalizadas e a possibilidade de registar experiências offline quando o acesso à Internet é limitado. Esta integração permite-te tomar decisões baseadas em dados, analisar métricas de desempenho e alcançar resultados excecionais.

Instalação#

Para instalares os pacotes necessários, executa:

# Install YOLO26 and Comet
pip install ultralytics comet_ml

Configurar o Comet#

Depois de instalares os pacotes necessários, terás de te registar, obter uma chave de API do Comet e configurá-la.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Em seguida, autentica-te com o Comet. O callback do Ultralytics cria a experiência e utiliza o argumento de treino project do YOLO como nome do projeto do Comet.

import comet_ml

comet_ml.login()

Se estiveres a utilizar um notebook do Google Colab, o código acima pedir-te-á que introduzas a tua chave de API para a inicialização.

Utilização#

Antes de começares a consultar as instruções de utilização, vê a gama de modelos YOLO26 disponibilizados pela Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado aos 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,
)

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

O Comet regista automaticamente os seguintes dados sem necessidade de configuração adicional: métricas como mAP e perda, hiperparâmetros, checkpoints do modelo, matriz de confusão interativa e previsões de caixas delimitadoras em imagens.

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

Vamos analisar o que verás no painel do Comet assim que o teu modelo YOLO26 começar a ser treinado. É no painel que tudo acontece: apresenta uma série de informações registadas automaticamente através de elementos visuais e estatísticas. Eis uma breve visita guiada:

Painéis da experiência

A secção de painéis da experiência do painel do Comet organiza e apresenta as diferentes execuções e as respetivas métricas, como a perda da máscara de segmentação, a perda da classe, a precisão e a precisão média.

Métricas

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

Matriz de confusão interativa

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

Métricas do sistema

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

Personalizar o registo do Comet#

O Comet oferece flexibilidade para personalizares o seu comportamento de registo através da definição de variáveis de ambiente. Estas configurações permitem-te adaptar o Comet às tuas necessidades e preferências específicas. O callback do Ultralytics lê as seguintes variáveis de ambiente (define-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 interpretados como True (sem distinção entre maiúsculas e minúsculas). Qualquer outro valor é False.

Registar previsões de imagens#

Podes controlar o número de previsões de imagens que o Comet regista durante as tuas experiências. Por predefinição, o Comet regista 100 previsões de imagens do conjunto de validação. No entanto, podes alterar este número para o adequar melhor aos teus requisitos. Por exemplo, para registar 200 previsões de imagens, utiliza o seguinte código:

import os

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

Para desativar completamente o registo de previsões de imagens (por exemplo, para reduzir o volume de carregamentos em ligações lentas), define COMET_EVAL_LOG_IMAGE_PREDICTIONS como "false":

import os

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

Intervalo de registo de lotes#

O Comet permite-te especificar a frequência com que os lotes de previsões de imagens são registados. A variável de ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frequência. A definição predefinida 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 quarto lote.

import os

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

Desativar o registo da matriz de confusão#

Em alguns casos, podes não querer registar a matriz de confusão do teu conjunto de validação após cada época. 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, depois de o treino estar concluído.

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 do início do treino. 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, o callback do Comet transmite o argumento de treino project do YOLO ao Comet (ou None quando o argumento não está definido, caso em que o Comet utiliza a predefinição do teu espaço de trabalho). Substitui este comportamento por COMET_PROJECT_NAME para enviares todas as experiências para um projeto específico do espaço de trabalho do Comet, independentemente do argumento de treino do 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 regista para o artefacto do 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 da deteção são emitidas no intervalo [0, 1], mas a interface do Comet apresenta-as, por predefinição, numa escala percentual. O callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (por predefinição, 100.0) antes do registo. Ajusta este valor se preferires probabilidades brutas ou uma escala diferente:

import os

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

Resumo#

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

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

Além disso, se quiseres aprofundar as aplicações práticas do YOLO26, especificamente para tarefas de segmentação de imagens, este guia detalhado sobre o ajuste fino do YOLO26 com o Comet oferece insights valiosos e instruções passo a passo para melhorares o desempenho do teu modelo.

Além disso, para explorares outras integrações interessantes com o Ultralytics, consulta a página do guia de integrações, que oferece muitos recursos e informações.

Perguntas frequentes#