Elevating YOLO11 Training: Упростите процесс протоколирования с помощью Comet ML

Регистрация ключевых деталей обучения, таких как параметры, метрики, прогнозы изображений и контрольные точки модели, очень важна для машинного обучения - этопозволяет сделать проект прозрачным, прогресс измеримым, а результаты - воспроизводимыми .

Ultralytics YOLO11 легко интегрируется с Comet ML, эффективно фиксируя и оптимизируя каждый аспект процесса обучения вашей YOLO11 моделиобнаружения объектов. В этом руководстве мы рассмотрим процесс установки, настройку Comet ML, анализ в реальном времени, ведение пользовательских журналов и использование в автономном режиме, гарантируя, что ваше обучение YOLO11 будет тщательно задокументировано и отлажено для достижения выдающихся результатов.

Comet ML

Comet ML - это платформа для отслеживания, сравнения, объяснения и оптимизации моделей и экспериментов машинного обучения. Она позволяет регистрировать метрики, параметры, медиа и многое другое во время обучения модели и отслеживать эксперименты с помощью эстетически приятного веб-интерфейса. Comet ML помогает ученым, изучающим данные, быстрее проводить итерации, повышает прозрачность и воспроизводимость, а также помогает в разработке производственных моделей.

Использование возможностей YOLO11 и Comet ML

Объединив Ultralytics YOLO11 с Comet ML, вы получаете целый ряд преимуществ. К ним относятся упрощенное управление экспериментами, получение информации в реальном времени для быстрой корректировки, гибкие и индивидуальные параметры регистрации, а также возможность регистрации экспериментов в автономном режиме при ограниченном доступе к Интернету. Такая интеграция позволяет принимать решения на основе данных, анализировать показатели эффективности и добиваться исключительных результатов.

Установка

Чтобы установить необходимые пакеты, выполните команду:

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

Настройка Comet ML

После установки необходимых пакетов вам нужно будет зарегистрироваться, получить API-ключComet и настроить его.

# Set your Comet Api Key
export COMET_API_KEY=<Your API Key>

Затем вы можете инициализировать свой проект Comet . Comet автоматически определит ключ API и продолжит настройку.

import comet_ml

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

Если вы используете ноутбук Google Colab, приведенный выше код попросит вас ввести ключ API для инициализации.

Использование

Прежде чем приступить к изучению инструкции по эксплуатации, обязательно ознакомьтесь с ассортиментом моделейYOLO11 , предлагаемых компанией Ultralytics. Это поможет вам выбрать наиболее подходящую модель, соответствующую требованиям вашего проекта.

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 обучающего кода Comet ML создаст эксперимент в вашем рабочем пространстве Comet , чтобы автоматически отслеживать ход выполнения. Затем вам будет предоставлена ссылка для просмотра подробного журнала процесса обучения вашей YOLO11 модели.

Comet автоматически регистрирует следующие данные без дополнительной настройки: метрики, такие как mAP и потери, гиперпараметры, контрольные точки модели, интерактивную матрицу путаницы и прогнозы границ изображения.

Понимание эффективности вашей модели с помощью визуализаций Comet ML

Давайте рассмотрим, что вы увидите на приборной панели Comet ML, когда ваша модель YOLO11 начнет обучение. Приборная панель - это место, где происходит все действие, представляющее ряд автоматически регистрируемой информации в виде визуальных и статистических данных. Вот краткий обзор:

Панели для экспериментов

В разделе "Панели экспериментов" панели управления Comet ML представлены различные прогоны и их метрики, такие как потеря маски сегмента, потеря класса, точность и средняя точность.

Метрики

В разделе метрик у вас есть возможность просмотреть метрики в табличном формате, который отображается в специальной панели, как показано здесь.

Интерактивная матрица путаницы

Матрица путаницы, расположенная на вкладке "Матрица путаницы", представляет собой 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 узкие места в процессе обучения. Он включает такие метрики, как использование GPU , использование памяти GPU , использование CPU и использование оперативной памяти. Они необходимы для мониторинга эффективности использования ресурсов в процессе обучения модели.

Настройка журнала Comet ML

Comet ML позволяет гибко настраивать поведение журнала, задавая переменные окружения. Эти настройки позволяют адаптировать Comet ML к вашим конкретным потребностям и предпочтениям. Вот некоторые полезные возможности настройки:

Предсказания изображений в журнале

Вы можете контролировать количество прогнозов изображений, которые Comet ML регистрирует во время экспериментов. По умолчанию Comet ML регистрирует 100 предсказаний изображений из проверочного набора. Однако вы можете изменить это число, чтобы оно лучше соответствовало вашим требованиям. Например, чтобы регистрировать 200 предсказаний изображений, используйте следующий код:

import os

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

Интервал пакетной регистрации

Comet ML позволяет указать, как часто регистрируются пакеты прогнозов изображений. Сайт COMET_EVAL_BATCH_LOGGING_INTERVAL переменная окружения управляет этой частотой. По умолчанию установлено значение 1, которое регистрирует предсказания из каждой партии валидации. Вы можете настроить это значение, чтобы регистрировать прогнозы с другим интервалом. Например, установив значение 4, вы будете регистрировать предсказания из каждой четвертой партии.

import os

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

Отключение регистрации матрицы запутывания

В некоторых случаях вы можете не регистрировать матрицу путаницы из проверочного набора после каждого эпоха. Эту функцию можно отключить, установив значение COMET_EVAL_LOG_CONFUSION_MATRIX переменную окружения на "false". Матрица путаницы будет зарегистрирована только один раз, после завершения обучения.

import os

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

Ведение журнала в автономном режиме

Если вы оказались в ситуации, когда доступ к Интернету ограничен, Comet ML предоставляет возможность ведения журнала в автономном режиме. Вы можете установить COMET_MODE переменную окружения на "offline", чтобы включить эту функцию. Данные ваших экспериментов будут сохранены локально в каталоге, который вы сможете позже загрузить на Comet ML при наличии подключения к Интернету.

import os

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

Резюме

Это руководство поможет вам интегрировать Comet ML с Ultralytics' YOLO11. Начиная с установки и заканчивая настройкой, вы научились упрощать управление экспериментами, получать информацию в реальном времени и адаптировать протоколирование к потребностям вашего проекта.

Изучите официальную документациюComet ML, чтобы узнать больше об интеграции с YOLO11.

Кроме того, если вы хотите глубже погрузиться в практическое применение YOLO11, в частности для задач сегментации изображений, это подробное руководство по тонкой настройке YOLO11 с помощью Comet ML предлагает ценные идеи и пошаговые инструкции для повышения производительности вашей модели.

Кроме того, чтобы узнать о других интересных интеграциях с Ultralytics, посетите страницу руководства по интеграции, где представлено 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:

1. Установите необходимые пакеты:

   pip install ultralytics comet_ml torch torchvision
   

2. Настройте свой ключ API Comet :

   export COMET_API_KEY=<Your API Key>
   

3. Инициализируйте проект Comet в коде Python :

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

4. Обучите модель YOLO11 и регистрируйте показатели:

   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,
   )
   

Более подробные инструкции см. в разделе "КонфигурацияComet ML".

Каковы преимущества использования Comet ML с YOLO11?

Интегрировав Ultralytics YOLO11 с Comet ML, вы сможете:

• Отслеживайте информацию в режиме реального времени: Получайте мгновенную обратную связь о результатах тренировок, что позволяет быстро вносить коррективы.
• Регистрируйте обширные метрики: Автоматически фиксируйте такие важные показатели, как mAP, потери, гиперпараметры и контрольные точки модели.
• Отслеживайте эксперименты в автономном режиме: Ведите локальный журнал тренировок при отсутствии доступа к Интернету.
• Сравнивайте различные тренировочные прогоны: Используйте интерактивную панель Comet ML для анализа и сравнения нескольких экспериментов.

Используя эти функции, вы сможете оптимизировать рабочие процессы машинного обучения для повышения производительности и воспроизводимости. Для получения дополнительной информации посетите руководство по интеграцииComet ML.

Как настроить поведение журнала Comet ML во время обучения YOLO11 ?

Comet ML позволяет широко настраивать поведение журнала с помощью переменных окружения:

• Изменение количества зарегистрированных прогнозов изображения:

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

• Настройка интервала пакетной регистрации:

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

• Отключить регистрацию матрицы путаницы:

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

Дополнительные возможности настройки см. в разделе Настройка Comet ML Logging.

Как просмотреть подробные метрики и визуализации моих тренировок YOLO11 на Comet ML?

Как только ваша модель YOLO11 начнет обучение, вы сможете получить доступ к широкому спектру показателей и визуализаций на панели Comet ML. Основные возможности включают:

• Панели экспериментов: Просмотрите различные эксперименты и их показатели, включая потери маски сегмента, потери класса и среднюю точность.
• Метрики: Изучайте показатели в табличном формате для детального анализа.
• Интерактивная матрица путаницы: Оцените точность классификации с помощью интерактивной матрицы смешения.
• Системные метрики: Отслеживайте загрузку GPU и CPU , использование памяти и другие системные показатели.

Подробный обзор этих функций можно найти в разделе "Понимание эффективности вашей модели с помощью визуализаций Comet ML".

Можно ли использовать Comet ML для автономного протоколирования при обучении моделей YOLO11 ?

Да, вы можете включить автономное ведение журнала в Comet ML, установив COMET_MODE переменную окружения на "offline":

import os

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

Эта функция позволяет регистрировать данные эксперимента локально, которые затем можно загрузить на сайт Comet ML при наличии подключения к Интернету. Это особенно удобно при работе в условиях ограниченного доступа к Интернету. Более подробную информацию см. в разделе "Автономное протоколирование ".

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии