Повышение эффективности обучения YOLO26: упростите процесс логирования с помощью Comet
Логирование ключевых деталей обучения, таких как параметры, метрики, прогнозы изображений и контрольные точки модели, имеет важное значение в машинном обучении—это обеспечивает прозрачность вашего проекта, измеримость вашего прогресса и повторяемость ваших результатов.
Смотреть: Как использовать Comet для логирования и метрик обучения моделей Ultralytics YOLO 🚀
Ultralytics YOLO26 легко интегрируется с Comet (ранее Comet ML), эффективно фиксируя и оптимизируя каждый аспект процесса обучения вашей модели обнаружения объектов YOLO26. В этом руководстве мы рассмотрим процесс установки, настройку Comet, получение аналитических данных в реальном времени, пользовательское логирование и использование в автономном режиме, гарантируя, что ваше обучение YOLO26 будет тщательно задокументировано и точно настроено для достижения выдающихся результатов.
Comet
Comet — это платформа для отслеживания, сравнения, объяснения и оптимизации моделей и экспериментов машинного обучения. Она позволяет логировать метрики, параметры, медиафайлы и многое другое во время обучения модели, а также отслеживать эксперименты через эстетически приятный веб-интерфейс. Comet помогает специалистам по данным быстрее итерировать, повышает прозрачность и воспроизводимость, а также способствует разработке производственных моделей.
Использование возможностей YOLO26 и Comet
Объединяя Ultralytics YOLO26 с Comet, вы получаете ряд преимуществ. К ним относятся упрощенное управление экспериментами, аналитические данные в реальном времени для быстрой корректировки, гибкие и настраиваемые параметры логирования, а также возможность логировать эксперименты в автономном режиме при ограниченном доступе к Интернету. Эта интеграция позволяет вам принимать решения на основе данных, анализировать показатели производительности и достигать исключительных результатов.
Установка
Чтобы установить необходимые пакеты, выполните команду:
Установка
# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision
Настройка Comet
После установки необходимых пакетов вам потребуется зарегистрироваться, получить ключ API Comet и настроить его.
Настройка Comet
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY
Затем вы можете инициализировать свой проект Comet. Comet автоматически обнаружит ключ API и продолжит настройку.
Инициализация проекта Comet
import comet_ml
comet_ml.login(project_name="comet-example-yolo26-coco128")
Если вы используете блокнот Google Colab, приведенный выше код предложит вам ввести свой ключ API для инициализации.
Использование
Прежде чем приступать к инструкциям по использованию, обязательно ознакомьтесь с ассортиментом моделей YOLO26, предлагаемых Ultralytics. Это поможет вам выбрать наиболее подходящую модель для требований вашего проекта.
Использование
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt")
# Train the model
results = model.train(
data="coco8.yaml",
project="comet-example-yolo26-coco128",
batch=32,
save_period=1,
save_json=True,
epochs=3,
)
После запуска кода обучения Comet автоматически создаст эксперимент в вашем рабочем пространстве Comet для отслеживания запуска. Затем вам будет предоставлена ссылка для просмотра подробного логирования процесса обучения вашей модели YOLO26.
Comet автоматически регистрирует следующие данные без дополнительной настройки: метрики, такие как mAP и loss, гиперпараметры, контрольные точки модели, интерактивную матрицу ошибок и прогнозы ограничивающих рамок изображений.
Анализ производительности вашей модели с помощью визуализаций Comet
Давайте рассмотрим, что вы увидите на панели мониторинга Comet, как только ваша модель YOLO26 начнет обучение. Панель мониторинга — это место, где происходит все самое интересное, представляя широкий спектр автоматически регистрируемой информации в виде визуальных материалов и статистики. Вот краткий обзор:
Панели экспериментов
Раздел панелей экспериментов на панели управления Comet организует и представляет различные запуски и их метрики, такие как потери маски segment, потери класса, точность и средняя AP.
Метрики
В разделе метрик у вас есть возможность изучить метрики в табличном формате, который отображается на специальной панели, как показано здесь.
Интерактивная матрица ошибок
Матрица ошибок, расположенная на вкладке «Матрица ошибок», предоставляет интерактивный способ оценки точности классификации модели. В ней подробно описываются правильные и неправильные прогнозы, что позволяет понять сильные и слабые стороны модели.
Системные метрики
Comet логирует системные метрики, чтобы помочь выявить любые узкие места в процессе обучения. Они включают такие метрики, как загрузка GPU, использование памяти GPU, загрузка CPU и использование RAM. Это крайне важно для мониторинга эффективности использования ресурсов во время обучения модели.
Настройка логирования Comet
Comet предлагает гибкость в настройке поведения логирования путем установки переменных среды. Эти конфигурации позволяют адаптировать Comet к вашим конкретным потребностям и предпочтениям. Вот несколько полезных опций настройки:
Логирование прогнозов изображений
Вы можете контролировать количество предсказаний изображений, которые Comet логирует во время ваших экспериментов. По умолчанию Comet логирует 100 предсказаний изображений из валидационного набора. Однако вы можете изменить это число, чтобы оно лучше соответствовало вашим требованиям. Например, чтобы логировать 200 предсказаний изображений, используйте следующий код:
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
Интервал пакетного логирования
Comet позволяет указать, как часто логируются пакеты предсказаний изображений. The COMET_EVAL_BATCH_LOGGING_INTERVAL среды контролирует эту частоту. Значение по умолчанию — 1, которое регистрирует прогнозы из каждого пакета проверки. Вы можете настроить это значение для регистрации прогнозов через другой интервал. Например, установка значения 4 будет регистрировать прогнозы из каждого четвертого пакета.
import os
os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
Отключение логирования матрицы ошибок
В некоторых случаях вам может не потребоваться регистрировать матрицу ошибок из вашего набора проверки после каждой эпохи. Вы можете отключить эту функцию, установив для COMET_EVAL_LOG_CONFUSION_MATRIX переменной среды значение «false». Матрица ошибок будет зарегистрирована только один раз, после завершения обучения.
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
Автономное логирование
Если вы оказались в ситуации, когда доступ к интернету ограничен, Comet предоставляет опцию офлайн-логирования. Вы можете установить COMET_MODE переменную окружения в значение "offline", чтобы включить эту функцию. Данные вашего эксперимента будут сохранены локально в каталоге, который вы сможете позже загрузить в Comet, когда будет доступно подключение к интернету.
import os
os.environ["COMET_MODE"] = "offline"
Обзор
Это руководство провело вас через интеграцию Comet с Ultralytics YOLO26. От установки до настройки вы научились оптимизировать управление экспериментами, получать аналитические данные в реальном времени и адаптировать логирование к потребностям вашего проекта.
Изучите официальную документацию Comet по интеграции с YOLOv8, которая также применима к проектам YOLO26.
Кроме того, если вы хотите глубже изучить практическое применение YOLO26, в частности для задач сегментации изображений, это подробное руководство по тонкой настройке YOLO26 с помощью Comet предлагает ценные сведения и пошаговые инструкции для повышения производительности вашей модели.
Кроме того, чтобы изучить другие интересные интеграции с Ultralytics, ознакомьтесь со страницей руководства по интеграции, которая предлагает множество ресурсов и информации.
Часто задаваемые вопросы
Как интегрировать Comet с Ultralytics YOLO26 для обучения?
Для интеграции Comet с Ultralytics YOLO26 выполните следующие шаги:
Установите необходимые пакеты:
pip install ultralytics comet_ml torch torchvisionНастройте свой Comet API Key:
export COMET_API_KEY=YOUR_API_KEYИнициализируйте свой проект Comet в коде python:
import comet_ml comet_ml.login(project_name="comet-example-yolo26-coco128")Обучите вашу модель YOLO26 и логируйте метрики:
from ultralytics import YOLO model = YOLO("yolo26n.pt") results = model.train( data="coco8.yaml", project="comet-example-yolo26-coco128", batch=32, save_period=1, save_json=True, epochs=3, )
Для получения более подробных инструкций обратитесь к разделу настройки Comet.
Каковы преимущества использования Comet с YOLO26?
Интегрируя Ultralytics YOLO26 с Comet, вы можете:
- Отслеживать аналитику в реальном времени: Получайте мгновенную обратную связь о результатах обучения, что позволяет быстро вносить коррективы.
- Регистрация расширенных метрик: Автоматически фиксируйте важные метрики, такие как mAP, потери, гиперпараметры и контрольные точки модели.
- Отслеживать эксперименты в автономном режиме: Регистрируйте свои запуски обучения локально, когда нет доступа к интернету.
- Сравнивать различные запуски обучения: Используйте интерактивную панель управления Comet для анализа и сравнения нескольких экспериментов.
Используя эти функции, вы можете оптимизировать свои рабочие процессы машинного обучения для повышения производительности и воспроизводимости. Для получения дополнительной информации посетите руководство по интеграции Comet.
Как настроить поведение логирования Comet во время обучения YOLO26?
Comet позволяет широко настраивать поведение логирования с помощью переменных окружения:
Изменить количество регистрируемых прогнозов изображений:
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"Настроить интервал регистрации пакетов:
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"Отключить протоколирование матрицы ошибок:
import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
Обратитесь к разделу Настройка логирования Comet для получения дополнительных параметров настройки.
Как просмотреть подробные метрики и визуализации моего обучения YOLO26 на Comet?
Как только ваша модель YOLO26 начнет обучение, вы сможете получить доступ к широкому спектру метрик и визуализаций на панели мониторинга Comet. Ключевые особенности включают:
- Панели экспериментов: Просматривайте различные запуски и их метрики, включая потери сегментной маски, потери класса и среднюю среднюю точность.
- Метрики: Изучите метрики в табличном формате для детального анализа.
- Интерактивная матрица ошибок: Оцените точность классификации с помощью интерактивной матрицы ошибок.
- Системные метрики: Отслеживайте использование GPU и CPU, использование памяти и другие системные метрики.
Для подробного обзора этих функций посетите раздел Понимание производительности вашей модели с помощью визуализаций Comet.
Можно ли использовать Comet для офлайн-логирования при обучении моделей YOLO26?
Да, вы можете включить автономное логирование в Comet, установив COMET_MODE переменную среды в значение "offline":
import os
os.environ["COMET_MODE"] = "offline"
Эта функция позволяет вам логировать данные эксперимента локально, которые позже могут быть загружены в Comet, когда будет доступно подключение к интернету. Это особенно полезно при работе в условиях ограниченного доступа к интернету. Для получения более подробной информации обратитесь к разделу Автономное логирование.
