Elevating YOLO11 Training: Simplify Your Logging Process with Comet ML

Logging key training details such as parameters, metrics, image predictions, and model checkpoints is essential in machine learning—it keeps your project transparent, your progress measurable, and your results repeatable.

Ultralytics YOLO11 seamlessly integrates with Comet ML, efficiently capturing and optimizing every aspect of your YOLO11 object detection model's training process. In this guide, we'll cover the installation process, Comet ML setup, real-time insights, custom logging, and offline usage, ensuring that your YOLO11 training is thoroughly documented and fine-tuned for outstanding results.

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.

Harnessing the Power of YOLO11 and Comet ML

By combining Ultralytics YOLO11 with Comet ML, you unlock a range of benefits. These include simplified experiment management, real-time insights for quick adjustments, flexible and tailored logging options, and the ability to log experiments offline when internet access is limited. This integration empowers you to make data-driven decisions, analyze performance metrics, and achieve exceptional results.

Instalação

Para instalar os pacotes necessários, executa:

# Install the required packages for YOLO11 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.login(project_name="comet-example-yolo11-coco128")

Se estiveres a utilizar um notebook Google Colab, o código acima irá pedir-te para introduzires a tua chave de API para a inicialização.

Utilização

Before diving into the usage instructions, be sure to check out the range of YOLO11 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

After running the training code, Comet ML will create an experiment in your Comet workspace to track the run automatically. You will then be provided with a link to view the detailed logging of your YOLO11 model's training process.

Comet automatically logs the following data with no additional configuration: metrics such as mAP and loss, hyperparameters, model checkpoints, interactive confusion matrix, and image bounding box predictions.

Compreender o desempenho do teu modelo com Comet Visualizações de ML

Let's dive into what you'll see on the Comet ML dashboard once your YOLO11 model begins training. The dashboard is where all the action happens, presenting a range of automatically logged information through visuals and statistics. Here's a quick tour:

Painéis de experiências

The experiment panels section of the Comet ML dashboard organize and present the different runs and their metrics, such as segment mask loss, class loss, precision, and mean average precision.

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.

Interactive Confusion Matrix

The confusion matrix, found in the Confusion Matrix tab, provides an interactive way to assess the model's classification accuracy. It details the correct and incorrect predictions, allowing you to understand the model's strengths and weaknesses.

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 de GPU , a utilização de memória GPU , a utilização de CPU e a utilização de 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

In some cases, you may not want to log the confusion matrix from your validation set after every epoch. You can disable this feature by setting the 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

This guide has walked you through integrating Comet ML with Ultralytics' YOLO11. From installation to customization, you've learned to streamline experiment management, gain real-time insights, and adapt logging to your project's needs.

Explore Comet ML's official documentation for more insights on integrating with YOLO11.

Furthermore, if you're looking to dive deeper into the practical applications of YOLO11, specifically for image segmentation tasks, this detailed guide on fine-tuning YOLO11 with Comet ML offers valuable insights and step-by-step instructions to enhance your model's performance.

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.

FAQ

How do I integrate Comet ML with Ultralytics YOLO11 for training?

To integrate Comet ML with Ultralytics YOLO11, follow these steps:

1. Instala os pacotes necessários:

   pip install ultralytics comet_ml torch torchvision
   

2. Configura a tua chave de API Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Inicializa o teu projeto Comet no teu código Python :

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo11-coco128")
   

4. Train your YOLO11 model and log metrics:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo11-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

Para obter instruções mais detalhadas, consulta a secção de configuração doComet ML.

What are the benefits of using Comet ML with YOLO11?

By integrating Ultralytics YOLO11 with Comet ML, you can:

• Monitoriza as informações em tempo real: Obtém feedback instantâneo sobre os resultados do treino, permitindo ajustes rápidos.
• Regista métricas extensas: Captura automaticamente métricas essenciais, como mAP, perda, hiperparâmetros e pontos de verificação do modelo.
• Regista experiências offline: Regista os treinos localmente quando o acesso à Internet não está disponível.
• Compara diferentes execuções de treino: Utiliza o painel de controlo interativo Comet ML para analisar e comparar várias experiências.

Ao tirar partido destas funcionalidades, pode otimizar os seus fluxos de trabalho de aprendizagem automática para obter um melhor desempenho e reprodutibilidade. Para obter mais informações, visita o guia de integraçãoComet ML.

How do I customize the logging behavior of Comet ML during YOLO11 training?

Comet O ML permite uma personalização extensiva do seu comportamento de registo utilizando variáveis de ambiente:

• Altera o número de previsões de imagens registadas:

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

• Ajusta o intervalo de registo do lote:

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

• Desactiva o registo da matriz de confusão:

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

Consulta a secção Personalização do Comet ML Logging para mais opções de personalização.

How do I view detailed metrics and visualizations of my YOLO11 training on Comet ML?

Once your YOLO11 model starts training, you can access a wide range of metrics and visualizations on the Comet ML dashboard. Key features include:

• Experiment Panels: View different runs and their metrics, including segment mask loss, class loss, and mean average precision.
• Métricas: Examina as métricas em formato de tabela para uma análise detalhada.
• Matriz de confusão interactiva: Avalia a precisão da classificação com uma matriz de confusão interactiva.
• Métricas do sistema: Monitoriza a utilização de GPU e CPU , a utilização da memória e outras métricas do sistema.

Para obter uma visão geral detalhada destas funcionalidades, visita a secção Compreender o desempenho do teu modelo com as visualizações de Comet ML.

Can I use Comet ML for offline logging when training YOLO11 models?

Sim, podes ativar o registo offline em Comet ML definindo o COMET_MODE para "offline":

import os

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

Esta funcionalidade permite-te registar os dados da tua experiência localmente, que podem mais tarde ser carregados para Comet ML quando a ligação à Internet estiver disponível. Isto é particularmente útil quando trabalhas em ambientes com acesso limitado à Internet. Para mais detalhes, consulta a secção Registo offline.

📅 Created 11 months ago ✏️ Updated 8 days ago

Comentários