Elevando o YOLOv8 Training: Simplifica o teu 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 projeto transparente, o progresso mensurável e os resultados repetíveis.

Ultralytics YOLOv8 integra-se perfeitamente com o Comet ML, capturando e optimizando eficazmente todos os aspectos do processo de formação do seu modelo de deteção de objectos YOLOv8 . 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 YOLOv8 formação é documentada de forma exaustiva 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 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.

Aproveita o poder de YOLOv8 e Comet ML

Ao combinar o Ultralytics YOLOv8 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-te tomar decisões baseadas em dados, analisar métricas de desempenho e obter resultados excepcionais.

Instalação

Para instalar os pacotes necessários, executa:

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

Configuração do Comet ML

Depois de instalares os pacotes necessários, terás de te inscrever, obter uma chave da APIComet e configurá-la.

# 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 instruções de utilização, não te esqueças de verificar a gama de modelosYOLOv8 oferecidos por Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado às necessidades do teu projeto.

from ultralytics import YOLO

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

# train the model
results = model.train(
data="coco8.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 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 teu modelo com Comet Visualizações de ML

Vamos analisar o que verás no painel de instrumentos do Comet ML assim que o teu modelo YOLOv8 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. Faz aqui 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, como a perda de máscara de segmento, a perda de classe, a precisão e a precisão média.

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.

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 correctas 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 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.

Personaliza 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-te adaptar o Comet ML às tuas necessidades e preferências específicas. Aqui estão algumas opções de personalização úteis:

Previsões de imagens de registo

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

import os

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

Intervalo de registo em lote

Comet ML permite-te 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 em log as previsões de cada lote de validação. É possível ajustar esse valor para registrar as previsões em um intervalo diferente. Por exemplo, definindo-o como 4, registrará as 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 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 integração do Comet ML com Ultralytics' YOLOv8. Desde a instalação à personalização, aprendeste a simplificar a gestão de experiências, a obter informações em tempo real e a adaptar o registo às necessidades do teu projeto.

Explora a documentação oficial doComet ML para obteres mais informações sobre a integração com o YOLOv8.

Além disso, se pretenderes aprofundar as aplicações práticas de YOLOv8, especificamente para tarefas de segmentação de imagens, este guia detalhado sobre o aperfeiçoamento de YOLOv8 com Comet ML oferece informações valiosas e instruções passo a passo para melhorar o desempenho do teu modelo.

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

Comentários