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:
Instalação
Configuração do Comet ML
Depois de instalares os pacotes necessários, terás de te inscrever, obter uma chave da APIComet e configurá-la.
Depois, podes inicializar o teu projeto Comet . Comet detectará automaticamente a chave da API e prosseguirá com a configuração.
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.
Utilização
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:
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.
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.
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.
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.
Criado em 2023-11-16, Atualizado em 2024-04-18
Autores: glenn-jocher (6), AyushExel (1), abirami-vina (1)