Salta para o conte√ļdo

Elevando o YOLOv8 Training: Simplifica o teu processo de registo com Comet ML

O registo dos principais detalhes de forma√ß√£o, como par√Ęmetros, m√©tricas, previs√Ķes de imagens e pontos de verifica√ß√£o do modelo, √© essencial na aprendizagem autom√°tica - mant√©m o projeto transparente, o progresso mensur√°vel e os resultados repet√≠veis.

Ultralytics YOLOv8 integra-se perfeitamente com o Comet ML, capturando e optimizando eficazmente todos os aspectos do processo de forma√ß√£o do seu modelo de dete√ß√£o de objectos YOLOv8 . Neste guia, abordaremos o processo de instala√ß√£o, a configura√ß√£o do Comet ML, as informa√ß√Ķes em tempo real, o registo personalizado e a utiliza√ß√£o offline, assegurando que a sua YOLOv8 forma√ß√£o √© cuidadosamente documentada e aperfei√ßoada para obter resultados excelentes.

Comet ML

Comet Vis√£o geral do ML

Comet ML √© uma plataforma para acompanhar, comparar, explicar e otimizar modelos e experi√™ncias de aprendizagem autom√°tica. Permite-lhe registar m√©tricas, par√Ęmetros, meios de comunica√ß√£o e muito mais durante o treino do modelo e monitorizar as suas experi√™ncias atrav√©s de uma interface Web esteticamente agrad√°vel. Comet O ML ajuda os cientistas de dados a iterar mais rapidamente, aumenta a transpar√™ncia e a reprodutibilidade e ajuda no desenvolvimento de modelos de produ√ß√£o.

Aproveita o poder de YOLOv8 e Comet ML

Ao combinar o Ultralytics YOLOv8 com o Comet ML, desbloqueia uma s√©rie de vantagens. Estas incluem a gest√£o simplificada de experi√™ncias, informa√ß√Ķes em tempo real para ajustes r√°pidos, op√ß√Ķes de registo flex√≠veis e personalizadas e a capacidade de registar experi√™ncias offline quando o acesso √† Internet √© limitado. Esta integra√ß√£o permite-te tomar decis√Ķes baseadas em dados, analisar m√©tricas de desempenho e obter resultados excepcionais.

Instalação

Para instalar os pacotes necess√°rios, executa:

Instalação

# Install the required packages for YOLOv8 and Comet ML
pip install ultralytics comet_ml torch torchvision

Configuração de Comet ML

Depois de instalares os pacotes necess√°rios, ter√°s de te inscrever, obter uma chave da APIComet e configur√°-la.

Configuração de Comet ML

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

Depois, podes inicializar o teu projeto Comet . Comet detectará automaticamente a chave da API e prosseguirá com a configuração.

import comet_ml

comet_ml.init(project_name="comet-example-yolov8-coco128")

Se estiveres a utilizar um bloco de notas do Google Colab, o código acima pedir-te-á para introduzires a tua chave de API para a inicialização.

Utilização

Antes de mergulhar nas instru√ß√Ķes de utiliza√ß√£o, n√£o te esque√ßas de verificar a gama de modelosYOLOv8 oferecidos por Ultralytics. Isto ajudar-te-√° a escolher o modelo mais adequado √†s necessidades do teu projeto.

Utilização

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# train the model
results = model.train(
data="coco128.yaml",
project="comet-example-yolov8-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 teu espaço de trabalho Comet para acompanhar a execução automaticamente. Ser-te-á então fornecida uma ligação para veres o registo detalhado do processo de treino do teu modeloYOLOv8 .

Comet regista automaticamente os seguintes dados sem qualquer configura√ß√£o adicional: m√©tricas como mAP e perda, hiperpar√Ęmetros, pontos de verifica√ß√£o do modelo, matriz de confus√£o interactiva e previs√Ķes da caixa delimitadora da imagem.

Compreender o desempenho do teu modelo com Comet Visualiza√ß√Ķes de ML

Vamos analisar o que ver√°s no painel de instrumentos do Comet ML assim que o teu modelo YOLOv8 come√ßar a ser treinado. O painel de instrumentos √© onde toda a a√ß√£o acontece, apresentando uma s√©rie de informa√ß√Ķes registadas automaticamente atrav√©s de imagens e estat√≠sticas. Faz aqui uma visita r√°pida:

Painéis de experiências

A sec√ß√£o de pain√©is de experi√™ncias do painel de controlo Comet ML organiza e apresenta as diferentes execu√ß√Ķes e as suas m√©tricas, como a perda de m√°scara de segmento, a perda de classe, a precis√£o e a precis√£o m√©dia.

Comet Vis√£o geral do ML

Métricas

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

Comet Vis√£o geral do ML

Matriz de confus√£o interactiva

A matriz de confus√£o, encontrada no separador Matriz de confus√£o, fornece uma forma interactiva de avaliar a precis√£o da classifica√ß√£o do modelo. Detalha as previs√Ķes correctas e incorrectas, permitindo-lhe compreender os pontos fortes e fracos do modelo.

Comet Vis√£o geral do ML

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 da GPU, a utilização da memória da GPU, a utilização da CPU e a utilização da RAM. Estas são essenciais para monitorizar a eficiência da utilização de recursos durante o treino do modelo.

Comet Vis√£o geral do ML

Personaliza Comet ML Logging

Comet O ML oferece a flexibilidade de personalizar o seu comportamento de registo atrav√©s da defini√ß√£o de vari√°veis de ambiente. Estas configura√ß√Ķes permitem-te adaptar o Comet ML √†s tuas necessidades e prefer√™ncias espec√≠ficas. Aqui est√£o algumas op√ß√Ķes de personaliza√ß√£o √ļteis:

Previs√Ķes de imagens de registo

Podes controlar o n√ļmero de previs√Ķes de imagens que o Comet ML regista durante as tuas experi√™ncias. Por predefini√ß√£o, o Comet ML regista 100 previs√Ķes de imagens do conjunto de valida√ß√£o. No entanto, podes alterar este n√ļmero para melhor se adequar √†s tuas necessidades. Por exemplo, para registar 200 previs√Ķes de imagens, utiliza o seguinte c√≥digo:

import os

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

Intervalo de registo em lote

Comet ML permite-te especificar a frequ√™ncia com que os lotes de previs√Ķes de imagens s√£o registados. O COMET_EVAL_BATCH_LOGGING_INTERVAL controla essa frequ√™ncia. A configura√ß√£o padr√£o √© 1, que registra as previs√Ķes de cada lote de valida√ß√£o. √Č poss√≠vel ajustar esse valor para registrar as previs√Ķes em um intervalo diferente. Por exemplo, definindo-o como 4, registrar√° as previs√Ķes de cada quarto lote.

import os

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

Desativar o registo da matriz de confus√£o

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 opção COMET_EVAL_LOG_CONFUSION_MATRIX para "falso". A matriz de confusão só será registada uma vez, após a conclusão do treino.

import os

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

Registo offline

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

import os

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

Resumo

Este guia acompanhou-te na integra√ß√£o do Comet ML com Ultralytics' YOLOv8. Desde a instala√ß√£o √† personaliza√ß√£o, aprendeste a simplificar a gest√£o de experi√™ncias, a obter informa√ß√Ķes em tempo real e a adaptar o registo √†s necessidades do teu projeto.

Explora a documenta√ß√£o oficial doComet ML para obteres mais informa√ß√Ķes sobre a integra√ß√£o com o YOLOv8.

Al√©m disso, se quiseres aprofundar as aplica√ß√Ķes pr√°ticas de YOLOv8, especificamente para tarefas de segmenta√ß√£o de imagens, este guia detalhado sobre o aperfei√ßoamento de YOLOv8 com Comet ML oferece informa√ß√Ķes valiosas e instru√ß√Ķes passo a passo para melhorar o desempenho do teu modelo.

Al√©m disso, para explorar outras integra√ß√Ķes interessantes com Ultralytics, consulta a p√°gina do guia de integra√ß√£o, que oferece uma grande variedade de recursos e informa√ß√Ķes.



Criado em 2023-11-16, Atualizado em 2024-01-14
Autores: glenn-jocher (5), AyushExel (1), abirami-vina (1)

Coment√°rios