Link to this sectionElevando o Treino do YOLO26: Simplifique Seu Processo de Registro com o Comet#

Registrar detalhes importantes do treino, como parâmetros, métricas, previsões de imagem e checkpoints do modelo, é essencial em machine learning — 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 treino do seu modelo de object detection YOLO26. Neste guia, abordaremos o processo de instalação, configuração do Comet, insights em tempo real, registro personalizado e uso offline, garantindo que o treino do seu YOLO26 seja minuciosamente documentado e ajustado para resultados excepcionais.

Link to this sectionComet#

Comet é uma plataforma para rastrear, comparar, explicar e otimizar modelos e experimentos de machine learning. Ela permite que você registre métricas, parâmetros, mídia e mais durante o treino 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. 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.

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 Comet API Key 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, certifique-se de conferir a gama de YOLO26 models offered by Ultralytics. Isso ajudará você 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 treino, o Comet criará um experimento no seu workspace Comet para rastrear a execução automaticamente. Você receberá então um link para visualizar o registro detalhado do processo de YOLO26 model's training.

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

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

Vamos mergulhar no 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 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 painel do Comet organiza e apresenta as diferentes execuções e suas métricas, como perda de máscara de segmento, perda de classe, precisão e mean average precision.

Métricas

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

Confusion Matrix Interativa

A matriz de confusão, encontrada na aba Confusion Matrix, fornece uma maneira interativa de avaliar a accuracy de classificação do modelo. Ela detalha as previsões corretas e incorretas, permitindo que você entenda 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 treino. Inclui métricas como utilização de GPU, uso de memória da GPU, utilização de CPU e uso de RAM. Estas são essenciais para monitorar a eficiência do uso de recursos durante o treino do modelo.

Link to this sectionPersonalizando o Registro do Comet#

O Comet oferece flexibilidade para 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 do início do treino):

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 previsões 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 Lotes#

O Comet permite que você especifique com que frequência lotes 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 lote de validação. Você pode ajustar esse valor para registrar previsões em um intervalo diferente. Por exemplo, defini-lo como 4 registrará previsões de cada quarto lote.

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 epoch. Você pode desativar esse recurso definindo a variável de ambiente COMET_EVAL_LOG_CONFUSION_MATRIX como "false". A matriz de confusão só será registrada uma vez, após a conclusão do treino.

import os

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

Link to this sectionModo Online e Offline#

Por padrão, o Comet roda 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 do início do treino. Os dados do experimento são salvos localmente e podem ser carregados posteriormente com a 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 treino project do YOLO para o Comet (ou None quando o argumento não está definido, caso em que o Comet usa o padrão do seu workspace). Substitua isso com COMET_PROJECT_NAME para enviar todos os experimentos para um projeto de workspace específico do Comet, independentemente do argumento de treino 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 de 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 de porcentagem por padrão. O callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (padrão 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 guiou você pela integração do Comet com o YOLO26 do 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 do YOLOv8 com o Comet, que também se aplica a projetos YOLO26.

Além disso, se você procura mergulhar mais fundo nas aplicações práticas do YOLO26, especificamente para tarefas de image segmentation, este guia detalhado sobre fine-tuning YOLO26 with Comet oferece insights valiosos e instruções passo a passo para melhorar o desempenho do seu modelo.

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

Link to this sectionFAQ#

Link to this sectionComo integro o Comet com o Ultralytics YOLO26 para treino?#

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

1. Instale os pacotes necessários:

   pip install ultralytics comet_ml torch torchvision

2. Configure sua Comet API Key:

   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 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 seus resultados de treino, 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 treino localmente quando o acesso à internet não estiver disponível.
• Comparar diferentes execuções de treino: Use o painel 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.

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

O Comet permite ampla personalização de 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 lotes:

  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"

• Definir o nome do projeto Comet:

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

• Definir o nome do artefato de modelo registrado:

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

Veja a seção Customizing Comet Logging para a lista completa, incluindo alternadores de previsão de imagem, escalonamento de pontuação de confiança e modo online/offline.

Link to this sectionComo visualizo métricas e visualizações detalhadas do meu treino do 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 Experimento: Visualize diferentes execuções e suas métricas, incluindo perda de máscara de segmento, perda de classe e precision média.
• Métricas: Examine métricas em formato tabular para análise detalhada.
• Matriz de Confusão Interativa: Avalie a precisão da classificação com uma matriz de confusão interativa.
• Métricas de Sistema: Monitore a utilização de GPU e CPU, uso de memória e outras métricas de sistema.

Para uma visão geral detalhada desses recursos, visite a seção Understanding Your Model's Performance with Comet Visualizations.

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

Sim. Defina COMET_START_ONLINE=0 antes do início do treino para registrar localmente:

import os

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

Os dados do experimento são salvos em disco e podem ser carregados para o Comet posteriormente com a CLI comet upload quando a conectividade estiver disponível. A variável anterior COMET_MODE="offline" ainda funciona, mas emite um aviso de descontinuação. Para mais detalhes, veja a seção Online and Offline Mode.