Новый уровень обучения YOLO26: упрости логирование с Comet#

Логирование ключевых сведений об обучении, таких как параметры, метрики, предсказания для изображений и контрольные точки модели, необходимо в сфере машинного обучения: оно обеспечивает прозрачность проекта, позволяет измерять прогресс и воспроизводить результаты.

Ultralytics YOLO26 легко интегрируется с Comet (ранее Comet ML), эффективно собирая и оптимизируя данные обо всех этапах обучения модели YOLO26 для обнаружения объектов. В этом руководстве мы рассмотрим установку, настройку Comet, аналитику в реальном времени, пользовательское логирование и работу в автономном режиме, чтобы обучение YOLO26 было подробно задокументировано и точно настроено для достижения отличных результатов.

Comet#

Comet — это платформа для отслеживания, сравнения, анализа и оптимизации моделей и экспериментов в машинном обучении. Она позволяет логировать метрики, параметры, медиафайлы и другие данные во время обучения модели, а также отслеживать эксперименты через удобный веб-интерфейс. Comet помогает специалистам по анализу данных быстрее проводить итерации, повышает прозрачность и воспроизводимость и содействует разработке моделей для промышленной эксплуатации.

Используй возможности YOLO26 и Comet#

Объединив Ultralytics YOLO26 с Comet, ты получишь ряд преимуществ: упрощённое управление экспериментами, аналитику в реальном времени для быстрой корректировки, гибкие параметры логирования и возможность логировать эксперименты в автономном режиме при ограниченном доступе к интернету. Эта интеграция поможет принимать решения на основе данных, анализировать метрики производительности и добиваться отличных результатов.

Установка#

Чтобы установить необходимые пакеты, выполни команду:

# Install YOLO26 and Comet
pip install ultralytics comet_ml

Настройка Comet#

После установки необходимых пакетов зарегистрируйся, получи ключ API Comet и настрой его.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Затем пройди аутентификацию в Comet. Колбэк Ultralytics создаёт эксперимент и использует аргумент обучения YOLO project в качестве имени проекта Comet.

import comet_ml

comet_ml.login()

Если ты работаешь в блокноте Google Colab, приведённый выше код предложит ввести ключ API для инициализации.

Использование#

Прежде чем перейти к инструкциям по использованию, ознакомься с линейкой моделей YOLO26 от Ultralytics. Это поможет выбрать модель, которая лучше всего подходит для требований твоего проекта.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")

# Обучить модель
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 твоём рабочем пространстве Comet для отслеживания запуска. Затем ты получишь ссылку, по которой можно посмотреть подробное логирование процесса обучения модели YOLO26.

Comet автоматически логирует следующие данные без дополнительной настройки: метрики, такие как mAP и потери, гиперпараметры, контрольные точки модели, интерактивную матрицу ошибок и предсказания ограничивающих рамок на изображениях.

Анализ производительности модели с помощью визуализаций Comet#

Давай посмотрим, что появится на панели Comet, когда начнётся обучение модели YOLO26. На панели собраны все основные сведения: автоматически залогированные данные представлены в виде визуализаций и статистики. Вот краткий обзор:

Панели экспериментов

Раздел панелей экспериментов на панели Comet упорядочивает и отображает различные запуски и их метрики, например потери маски сегментации, потери классификации, точность и среднюю точность.

Метрики

В разделе метрик можно также просматривать их в виде таблицы, которая отображается в отдельной панели, как показано здесь.

Интерактивная матрица ошибок

Матрица ошибок на вкладке «Матрица ошибок» позволяет интерактивно оценивать точность классификации модели. В ней показаны правильные и ошибочные предсказания, что помогает понять сильные и слабые стороны модели.

Системные метрики

Comet логирует системные метрики, чтобы помочь выявить узкие места в процессе обучения. Среди них — загрузка GPU, использование памяти GPU, загрузка CPU и использование RAM. Эти метрики необходимы для контроля эффективности использования ресурсов при обучении модели.

Настройка логирования Comet#

Comet позволяет настраивать поведение логирования с помощью переменных среды. Эти параметры дают возможность адаптировать Comet к твоим потребностям и предпочтениям. Колбэк Ultralytics считывает следующие переменные среды (задай их до начала обучения):

Для логических переключателей (COMET_EVAL_LOG_IMAGE_PREDICTIONS и COMET_EVAL_LOG_CONFUSION_MATRIX) значения 1, true, yes, on, y и t интерпретируются как True (без учёта регистра). Любое другое значение интерпретируется как False.

Логирование предсказаний на изображениях#

Ты можешь настроить количество предсказаний на изображениях, которые Comet логирует во время экспериментов. По умолчанию Comet логирует 100 предсказаний на изображениях из проверочной выборки. Это число можно изменить в соответствии с твоими требованиями. Например, чтобы логировать 200 предсказаний на изображениях, используй следующий код:

import os

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

Чтобы полностью отключить логирование предсказаний на изображениях (например, для уменьшения объёма загрузки при медленном соединении), задай для COMET_EVAL_LOG_IMAGE_PREDICTIONS значение "false":

import os

os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"

Интервал логирования батчей#

В Comet можно задать, как часто логируются батчи предсказаний на изображениях. За эту частоту отвечает переменная среды COMET_EVAL_BATCH_LOGGING_INTERVAL. По умолчанию задано значение 1, то есть предсказания логируются для каждого проверочного батча. Измени значение, чтобы логировать предсказания с другим интервалом. Например, значение 4 означает, что предсказания будут логироваться для каждого четвёртого батча.

import os

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

Отключение логирования матрицы ошибок#

В некоторых случаях может быть нежелательно логировать матрицу ошибок проверочной выборки после каждой эпохи. Эту функцию можно отключить, задав переменной среды COMET_EVAL_LOG_CONFUSION_MATRIX значение "false". Матрица ошибок будет залогирована только один раз, после завершения обучения.

import os

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

Онлайн- и автономный режимы#

По умолчанию Comet работает в онлайн-режиме и передаёт данные экспериментов на серверы Comet. Если нужно обучать модель без доступа к интернету, задай COMET_START_ONLINE=0 до начала обучения. Данные эксперимента будут сохранены локально, а позже их можно будет загрузить с помощью CLI comet upload.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (по умолчанию) = онлайн, 0 = автономный режим

Имя проекта#

По умолчанию колбэк Comet передаёт в Comet аргумент обучения YOLO project (или None, если аргумент не задан; в этом случае Comet использует проект по умолчанию в твоём рабочем пространстве). Чтобы направлять все эксперименты в определённый проект Comet независимо от аргумента обучения YOLO, переопредели это значение с помощью COMET_PROJECT_NAME:

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Имя артефакта модели#

Параметр COMET_MODEL_NAME задаёт имя, под которым Comet регистрирует залогированный артефакт модели (по умолчанию — Ultralytics). Используй его, чтобы различать варианты модели в общем рабочем пространстве:

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Масштабирование оценок уверенности#

Оценки уверенности обнаружения выдаются в диапазоне [0, 1], но по умолчанию интерфейс Comet отображает их в процентах. Перед логированием колбэк умножает каждую оценку на COMET_MAX_CONFIDENCE_SCORE (по умолчанию 100.0). Измени это значение, если предпочитаешь использовать исходные вероятности или другой масштаб:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # логировать исходные оценки в диапазоне [0, 1]

Итоги#

Это руководство помогло тебе разобраться, как интегрировать Comet с YOLO26 от Ultralytics. Ты узнал, как оптимизировать управление экспериментами, получать аналитику в реальном времени и адаптировать логирование к потребностям проекта — от установки до настройки.

Изучи официальную документацию Comet по интеграции с YOLOv8, которая также применима к проектам YOLO26.

Кроме того, если ты хочешь подробнее изучить практическое применение YOLO26, в частности для задач сегментации изображений, ознакомься с этим подробным руководством по тонкой настройке YOLO26 с Comet: в нём собраны полезные рекомендации и пошаговые инструкции, которые помогут повысить производительность модели.

Также загляни на страницу руководства по интеграциям, чтобы узнать о других интересных интеграциях с Ultralytics: там собрано множество полезных материалов и сведений.

Часто задаваемые вопросы#