Melhora o treino do YOLO26: simplifica o processo de registo com o Comet#

Registar detalhes importantes do treino, como parâmetros, métricas, previsões de imagens e pontos de controlo do modelo, é essencial na aprendizagem automática — mantém o teu projeto transparente, permite medir o progresso e torna os resultados reproduzíveis.

O Ultralytics YOLO26 integra-se perfeitamente com o Comet (anteriormente Comet ML), capturando e otimizando com eficiência todos os aspetos do processo de treino do teu modelo YOLO26 de deteção de objetos. Neste guia, vamos abordar o processo de instalação, a configuração do Comet, as informações em tempo real, o registo personalizado e a utilização offline, garantindo que o teu treino YOLO26 fica totalmente 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, conteúdos multimédia e muito mais durante o treino do modelo, além de monitorizar as experiências através de uma interface Web apelativa. O Comet ajuda os cientistas de dados a iterar mais rapidamente, aumenta a transparência e a reprodutibilidade e contribui para o desenvolvimento de modelos prontos para produção.

Tira partido do poder do YOLO26 e do Comet#

Ao combinar o Ultralytics YOLO26 com o Comet, podes tirar partido de várias vantagens. Estas incluem uma gestão de experiências simplificada, informações em tempo real para fazer ajustes rapidamente, 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 instalar os pacotes necessários, executa:

# Install YOLO26 and Comet
pip install ultralytics comet_ml

Configurar o Comet#

Depois de instalares os pacotes necessários, tens de criar uma conta, 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 no Comet. O callback da Ultralytics cria a experiência e utiliza o argumento de treino YOLO project como nome do projeto no Comet.

import comet_ml

comet_ml.login()

Se estiveres a usar um notebook do Google Colab, o código acima vai pedir-te a chave de API para a inicialização.

Uso#

Antes de consultares as instruções de utilização, não te esqueças de ver a variedade de modelos YOLO26 disponibilizados pelo Ultralytics. Isto vai ajudar-te a escolher o modelo mais adequado aos requisitos do teu projeto.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")

# Treinar o modelo
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 cria automaticamente uma experiência no teu espaço de trabalho do Comet para acompanhar a execução. Em seguida, receberás uma ligação para ver 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 loss, hiperparâmetros, pontos de controlo do modelo, matriz de confusão interativa e previsões de caixas delimitadoras em imagens.

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

Vamos ver o que vais encontrar no painel do Comet quando o teu modelo YOLO26 começar a ser treinado. É no painel que tudo acontece: apresenta vários dados registados automaticamente através de elementos visuais e estatísticas. Eis uma breve visita guiada:

Painéis de experiências

A secção de painéis de experiências do painel do Comet organiza e apresenta as diferentes execuções e as respetivas métricas, como a loss das máscaras de segmentação, a loss das classes, a precisão e a precisão média.

Métricas

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

Matriz de confusão interativa

A matriz de confusão, disponível no separador Confusion Matrix, oferece uma forma interativa de avaliar a precisão da classificação do modelo. Apresenta 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. Estas incluem métricas como a utilização da GPU, a utilização da memória da GPU, a utilização da CPU e a utilização da RAM. São essenciais para monitorizar a eficiência da utilização de recursos durante o treino do modelo.

Personalizar o registo do Comet#

O Comet permite personalizar o comportamento do registo através da definição de variáveis de ambiente. Estas configurações permitem adaptar o Comet às tuas necessidades e preferências específicas. O callback da Ultralytics lê as seguintes variáveis de ambiente (define-as antes do início do treino):

Para as opções booleanas (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 interpretado como 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 adaptar melhor às tuas necessidades. 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 carregamento em ligações lentas), define COMET_EVAL_LOG_IMAGE_PREDICTIONS como "false":

import os

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

Intervalo de registo dos lotes#

O Comet permite especificar a frequência de registo dos lotes de previsões de imagens. A variável de ambiente COMET_EVAL_BATCH_LOGGING_INTERVAL controla esta frequência. A predefinição é 1, o que regista previsões de cada lote de validação. Podes ajustar este valor para registar previsões com outro intervalo. Por exemplo, se definires o valor como 4, serão registadas previsões de 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 este recurso definindo a variável de ambiente COMET_EVAL_LOG_CONFUSION_MATRIX como "false". A matriz de confusão só será registada uma vez, após a conclusão do treino.

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 dados das experiências 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 das experiências são guardados localmente e podem ser carregados mais tarde com a CLI comet upload.

import os

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

Nome do projeto#

Por predefinição, o callback do Comet envia ao Comet o argumento de treino YOLO project (ou None se o argumento não estiver definido; nesse caso, o Comet utiliza a predefinição do teu espaço de trabalho). Substitui este valor por COMET_PROJECT_NAME para enviar todas as experiências para um projeto específico do espaço de trabalho do Comet, independentemente do argumento de treino 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 atribui ao artefacto de 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 de deteção são emitidas no intervalo [0, 1], mas, por predefinição, a interface do Comet apresenta-as numa escala percentual. Antes do registo, o callback multiplica cada pontuação por COMET_MAX_CONFIDENCE_SCORE (predefinição: 100.0). Ajusta este valor se preferires probabilidades brutas ou outra escala:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # registar pontuações brutas [0, 1]

Resumo#

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

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

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

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

Perguntas frequentes#