Совершенствование обучения YOLO11: упростите процесс логирования с помощью Comet ML
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 ML для ведения журналов и метрик обучения моделей Ultralytics YOLO 🚀
Ultralytics YOLO11 легко интегрируется с Comet ML, эффективно захватывая и оптимизируя каждый аспект процесса обучения вашей модели обнаружения объектов YOLO11. В этом руководстве мы рассмотрим процесс установки, настройку Comet ML, информацию в реальном времени, пользовательское логирование и автономное использование, чтобы гарантировать, что ваше обучение YOLO11 будет тщательно задокументировано и точно настроено для достижения выдающихся результатов.
Comet ML
Comet ML — это платформа для отслеживания, сравнения, объяснения и оптимизации моделей машинного обучения и экспериментов. Она позволяет регистрировать метрики, параметры, медиафайлы и многое другое во время обучения модели, а также отслеживать эксперименты через удобный веб-интерфейс. Comet ML помогает специалистам по анализу данных быстрее выполнять итерации, повышает прозрачность и воспроизводимость, а также способствует разработке производственных моделей.
Использование возможностей YOLO11 и Comet ML
Объединив Ultralytics YOLO11 с Comet ML, вы получаете ряд преимуществ. К ним относятся упрощенное управление экспериментами, аналитика в реальном времени для быстрой корректировки, гибкие и адаптированные параметры ведения журнала, а также возможность ведения журнала экспериментов в автономном режиме при ограниченном доступе к Интернету. Эта интеграция позволяет принимать решения на основе данных, анализировать показатели производительности и добиваться исключительных результатов.
Установка
Чтобы установить необходимые пакеты, выполните команду:
Установка
# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision
Настройка Comet ML
После установки необходимых пакетов вам потребуется зарегистрироваться, получить ключ API Comet и настроить его.
Настройка Comet ML
# 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-yolo11-coco128")
Если вы используете блокнот Google Colab, приведенный выше код предложит вам ввести свой ключ API для инициализации.
Использование
Прежде чем углубляться в инструкции по использованию, обязательно ознакомьтесь с ассортиментом моделей YOLO11, предлагаемых Ultralytics. Это поможет вам выбрать наиболее подходящую модель для требований вашего проекта.
Использование
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,
)
После запуска кода обучения Comet ML создаст эксперимент в вашей рабочей области Comet для автоматического отслеживания запуска. Затем вам будет предоставлена ссылка для просмотра подробного журнала процесса обучения вашей модели YOLO11.
Comet автоматически регистрирует следующие данные без дополнительной настройки: метрики, такие как mAP и loss, гиперпараметры, контрольные точки модели, интерактивная матрица ошибок и прогнозы ограничивающих рамок изображений.
Анализ производительности вашей модели с помощью визуализаций Comet ML
Давайте углубимся в то, что вы увидите на панели управления Comet ML, как только начнется обучение вашей модели YOLO11. Панель управления — это место, где происходит все действие, представляющее ряд автоматически регистрируемой информации с помощью визуальных эффектов и статистики. Вот краткий обзор:
Панели экспериментов
В разделе панелей экспериментов панели управления Comet ML организованы и представлены различные запуски и их метрики, такие как loss сегментной маски, class loss, точность и средняя точность.
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 ML регистрирует системные метрики, чтобы помочь выявить любые узкие места в процессе обучения. Он включает в себя такие метрики, как использование GPU, использование памяти GPU, использование CPU и использование оперативной памяти. Они необходимы для мониторинга эффективности использования ресурсов во время обучения модели.
Настройка логирования Comet ML
Comet ML предлагает гибкость настройки поведения ведения журнала путем установки переменных среды. Эти конфигурации позволяют адаптировать Comet ML к вашим конкретным потребностям и предпочтениям. Вот несколько полезных вариантов настройки:
Логирование прогнозов изображений
Вы можете контролировать количество прогнозов изображений, которые Comet ML регистрирует во время ваших экспериментов. По умолчанию Comet ML регистрирует 100 прогнозов изображений из набора проверки. Однако вы можете изменить это число в соответствии со своими требованиями. Например, чтобы зарегистрировать 200 прогнозов изображений, используйте следующий код:
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
Интервал пакетного логирования
Comet ML позволяет указать, как часто регистрируются пакеты прогнозов изображений. Переменная 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 с ограниченным доступом к интернету, Comet ML предоставляет возможность автономного протоколирования. Вы можете установить COMET_MODE
переменную среды в значение "offline", чтобы включить эту функцию. Данные вашего эксперимента будут сохранены локально в каталоге, который вы сможете позже загрузить в Comet ML, когда появится подключение к интернету.
import os
os.environ["COMET_MODE"] = "offline"
Обзор
В этом руководстве вы ознакомились с интеграцией Comet ML с Ultralytics YOLO11. От установки до настройки, вы научились оптимизировать управление экспериментами, получать аналитику в реальном времени и адаптировать протоколирование к потребностям вашего проекта.
Узнайте больше об интеграции с YOLO11 в официальной документации Comet ML.
Кроме того, если вы хотите глубже изучить практическое применение YOLO11, особенно для задач сегментации изображений, это подробное руководство по тонкой настройке YOLO11 с помощью Comet ML 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 ML с Ultralytics YOLO11 для обучения?
Чтобы интегрировать Comet ML с Ultralytics YOLO11, выполните следующие действия:
-
Установите необходимые пакеты:
pip install ultralytics comet_ml torch torchvision
-
Настройте свой Comet API Key:
export COMET_API_KEY=YOUR_API_KEY
-
Инициализируйте свой проект Comet в коде python:
import comet_ml comet_ml.login(project_name="comet-example-yolo11-coco128")
-
Обучите свою модель YOLO11 и регистрируйте метрики:
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, )
Для получения более подробных инструкций обратитесь к разделу конфигурации Comet ML.
Каковы преимущества использования Comet ML с YOLO11?
Интегрируя Ultralytics YOLO11 с Comet ML, вы можете:
- Отслеживать аналитику в реальном времени: Получайте мгновенную обратную связь о результатах обучения, что позволяет быстро вносить коррективы.
- Регистрировать расширенные метрики: Автоматически собирайте основные метрики, такие как mAP, loss, 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 ML 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 ML.
Как настроить поведение логирования Comet ML во время обучения YOLO11?
Comet ML позволяет широко настраивать поведение протоколирования с помощью переменных среды:
-
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"
Дополнительные параметры настройки см. в разделе Настройка протоколирования Comet ML.
Как просмотреть подробные метрики и визуализации моего обучения YOLO11 в Comet ML?
После того, как ваша модель YOLO11 начнет обучение, вы можете получить доступ к широкому спектру метрик и визуализаций на панели управления Comet ML. Ключевые особенности включают в себя:
- Панели экспериментов: Просмотр различных запусков и их метрик, включая потерю сегментной маски, потерю 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 получения подробного обзора этих функций посетите раздел Оценка производительности вашей модели с помощью визуализаций Comet ML.
Могу ли я использовать Comet ML для автономного логирования при обучении моделей YOLO11?
Да, вы можете включить автономное ведение журнала в Comet ML, установив COMET_MODE
переменную среды в значение "offline":
import os
os.environ["COMET_MODE"] = "offline"
Эта функция позволяет вам регистрировать данные вашего эксперимента локально, которые позже можно будет загрузить в Comet ML, когда будет доступно подключение к Интернету. Это особенно полезно при работе в средах с ограниченным доступом к Интернету. Для получения более подробной информации обратитесь к разделу Автономное ведение журнала.