Elevating YOLO11 Training: Simplifique o seu processo de registo com Comet ML

O registo dos principais detalhes de formação, como parâmetros, métricas, previsões de imagens e pontos de verificação do modelo, é essencial na aprendizagem automática -mantém o seu projeto transparente, o seu progresso mensurável e os seus resultados repetíveis.

Ultralytics YOLO11 integra-se perfeitamente com o Comet ML, capturando e optimizando eficazmente todos os aspectos do processo de formação do seu modelo dedeteção de objectos YOLO11 . Neste guia, abordaremos o processo de instalação, a configuração do Comet ML, as informações em tempo real, o registo personalizado e a utilização offline, assegurando que a sua YOLO11 formação é cuidadosamente documentada e aperfeiçoada para obter resultados excelentes.

Comet ML

Comet ML é uma plataforma para acompanhar, comparar, explicar e otimizar modelos e experiências de aprendizagem automática. Permite-lhe registar métricas, parâmetros, meios de comunicação e muito mais durante o treino do seu modelo e monitorizar as suas experiências através de uma interface Web esteticamente agradável. Comet O ML ajuda os cientistas de dados a iterar mais rapidamente, aumenta a transparência e a reprodutibilidade e ajuda no desenvolvimento de modelos de produção.

Aproveitar o poder de YOLO11 e Comet ML

Ao combinar o Ultralytics YOLO11 com o Comet ML, desbloqueia uma série de vantagens. Estas incluem a gestão simplificada de experiências, informações em tempo real para ajustes rápidos, opções de registo flexíveis e personalizadas e a capacidade de registar experiências offline quando o acesso à Internet é limitado. Esta integração permite-lhe tomar decisões baseadas em dados, analisar métricas de desempenho e obter resultados excepcionais.

Instalação

Para instalar os pacotes necessários, execute:

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

Configuração do Comet ML

Depois de instalar os pacotes necessários, terá de se registar, obter uma chave de APIComet e configurá-la.

# Set your Comet Api Key
export COMET_API_KEY=<Your API Key>

Em seguida, pode inicializar o seu projeto Comet . Comet detectará automaticamente a chave da API e prosseguirá com a configuração.

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

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

Utilização

Antes de se debruçar sobre as instruções de utilização, não deixe de consultar a gama de modelosYOLO11 propostos por Ultralytics. Isto ajudá-lo-á a escolher o modelo mais adequado às necessidades do seu projeto.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Depois de executar o código de treino, o Comet ML criará uma experiência no seu espaço de trabalho Comet para acompanhar a execução automaticamente. Ser-lhe-á então fornecida uma ligação para visualizar o registo detalhado do processo de formação do seu modeloYOLO11 .

Comet regista automaticamente os seguintes dados sem qualquer configuração adicional: métricas como mAP e perda, hiperparâmetros, pontos de verificação do modelo, matriz de confusão interactiva e previsões da caixa delimitadora da imagem.

Compreender o desempenho do seu modelo com Comet Visualizações de ML

Vamos analisar o que verá no painel de controlo do Comet ML assim que o seu modelo YOLO11 começar a ser treinado. O painel de instrumentos é onde toda a ação acontece, apresentando uma série de informações registadas automaticamente através de imagens e estatísticas. Aqui está uma visita rápida:

Painéis de experiências

A secção de painéis de experiências do painel de controlo Comet ML organiza e apresenta as diferentes execuções e as suas métricas, tais como perda de máscara de segmento, perda de classe, precisão e precisão média.

Métricas

Na secção de métricas, também tem a opção de examinar as métricas num formato tabular, que é apresentado num painel dedicado, conforme ilustrado aqui.

Matriz de confusão interactiva

A matriz de confusão, encontrada no separador Matriz de confusão, fornece uma forma interactiva de avaliar a precisão da classificação do modelo. Detalha as previsões corretas e incorrectas, permitindo-lhe compreender os pontos fortes e fracos do modelo.

Métricas do sistema

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

Personalizar Comet ML Logging

Comet O ML oferece a flexibilidade de personalizar o seu comportamento de registo através da definição de variáveis de ambiente. Estas configurações permitem-lhe adaptar o Comet ML às suas necessidades e preferências específicas. Aqui estão algumas opções de personalização úteis:

Previsões de imagens de registo

Pode controlar o número de previsões de imagens que o Comet ML regista durante as suas experiências. Por predefinição, o Comet ML regista 100 previsões de imagens do conjunto de validação. No entanto, pode alterar este número para melhor se adequar aos seus requisitos. Por exemplo, para registar 200 previsões de imagens, utilize o seguinte código:

import os

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

Intervalo de registo em lote

Comet ML permite-lhe especificar a frequência com que os lotes de previsões de imagens são registados. O COMET_EVAL_BATCH_LOGGING_INTERVAL controla essa frequência. A configuração padrão é 1, que registra as previsões de cada lote de validação. É possível ajustar esse valor para registrar as previsões em um intervalo diferente. Por exemplo, definir como 4 registará as previsões de cada quarto lote.

import os

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

Desativação do registo da matriz de confusão

Em alguns casos, pode não querer registar a matriz de confusão do seu conjunto de validação após cada época. Pode desativar esta funcionalidade definindo o COMET_EVAL_LOG_CONFUSION_MATRIX para "falso". A matriz de confusão só será registada uma vez, após a conclusão da formação.

import os

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

Registo offline

Se se encontrar numa situação em que o acesso à Internet é limitado, o Comet ML oferece uma opção de registo offline. Pode definir o COMET_MODE para "offline" para ativar esta funcionalidade. Os dados da sua experiência serão guardados localmente num diretório que poderá mais tarde carregar para Comet ML quando a ligação à Internet estiver disponível.

import os

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

Resumo

Este guia acompanhou-o na integração do Comet ML com Ultralytics' YOLO11. Desde a instalação até à personalização, aprendeu a simplificar a gestão de experiências, a obter informações em tempo real e a adaptar o registo às necessidades do seu projeto.

Explore a documentação oficial doComet ML para obter mais informações sobre a integração com o YOLO11.

Além disso, se pretender aprofundar as aplicações práticas de YOLO11, especificamente para tarefas de segmentação de imagens, este guia detalhado sobre o aperfeiçoamento de YOLO11 com Comet ML oferece informações valiosas e instruções passo a passo para melhorar o desempenho do seu modelo.

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

FAQ

Como é que integro o Comet ML com o Ultralytics YOLO11 para formação?

Para integrar o Comet ML com o Ultralytics YOLO11 , siga estes passos:

1. Instalar os pacotes necessários:

   pip install ultralytics comet_ml torch torchvision
   

2. Configure sua chave de API Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Inicialize o seu projeto Comet no seu código Python :

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo11-coco128")
   

4. Treine o seu modelo YOLO11 e registe as métricas:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo11-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

Para obter instruções mais detalhadas, consulte a secção de configuração doComet ML.

Quais são as vantagens de utilizar Comet ML com YOLO11?

Ao integrar o Ultralytics YOLO11 com o Comet ML, pode:

• Monitorize as informações em tempo real: Obtenha feedback instantâneo sobre os resultados do seu treino, permitindo ajustes rápidos.
• Registar métricas extensas: Capture automaticamente métricas essenciais, como mAP, perda, hiperparâmetros e pontos de verificação do modelo.
• Monitorize experiências offline: Registe os seus treinos localmente quando o acesso à Internet não estiver disponível.
• Compare diferentes execuções de treino: Utilize o painel de controlo interativo Comet ML para analisar e comparar várias experiências.

Ao tirar partido destas funcionalidades, pode otimizar os seus fluxos de trabalho de aprendizagem automática para obter um melhor desempenho e reprodutibilidade. Para obter mais informações, visite o guia de integraçãoComet ML.

Como posso personalizar o comportamento de registo do Comet ML durante o treino do YOLO11 ?

Comet O ML permite uma personalização extensiva do seu comportamento de registo utilizando variáveis de ambiente:

• Alterar o número de previsões de imagens registadas:

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

• Ajustar o intervalo de registo do lote:

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

• Desativar o registo da matriz de confusão:

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

Consulte a secção Personalização do Comet ML Logging para obter mais opções de personalização.

Como é que posso ver métricas e visualizações detalhadas da minha formação YOLO11 em Comet ML?

Assim que o seu modelo YOLO11 começar a ser treinado, pode aceder a uma vasta gama de métricas e visualizações no painel de controlo Comet ML. Os principais recursos incluem:

• Painéis de experiências: Veja diferentes execuções e suas métricas, incluindo perda de máscara de segmento, perda de classe e precisão média.
• Métricas: Examine as métricas em formato tabular para uma análise detalhada.
• Matriz de confusão interactiva: Avalie a precisão da classificação com uma matriz de confusão interactiva.
• Métricas do sistema: Monitorize a utilização de GPU e CPU , a utilização de memória e outras métricas do sistema.

Para obter uma visão geral detalhada destas funcionalidades, visite a secção Compreender o desempenho do seu modelo com Comet ML Visualizations.

Posso utilizar o Comet ML para registo offline quando treino modelos YOLO11 ?

Sim, pode ativar o registo offline em Comet ML definindo o COMET_MODE variável de ambiente para "offline":

import os

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

Esta funcionalidade permite-lhe registar localmente os dados da experiência, que podem ser posteriormente carregados para Comet ML quando a ligação à Internet estiver disponível. Isto é particularmente útil quando se trabalha em ambientes com acesso limitado à Internet. Para mais informações, consulte a secção Registo offline.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários