YOLOv8 Eğitimini Yükseltmek: Comet ML ile Kayıt Sürecinizi Basitleştirin

Parametreler, metrikler, görüntü tahminleri ve model kontrol noktaları gibi temel eğitim ayrıntılarını kaydetmek makine öğreniminde çok önemlidir; projenizi şeffaf, ilerlemenizi ölçülebilir ve sonuçlarınızı tekrarlanabilir tutar.

Ultralytics YOLOv8Comet ML ile sorunsuz bir şekilde entegre olarak YOLOv8 nesne algılama modelinizin eğitim sürecinin her yönünü verimli bir şekilde yakalar ve optimize eder. Bu kılavuzda kurulum sürecini, Comet ML kurulumunu, gerçek zamanlı içgörüleri, özel günlük kaydını ve çevrimdışı kullanımı ele alarak YOLOv8 eğitiminizin kapsamlı bir şekilde belgelenmesini ve olağanüstü sonuçlar için ince ayar yapılmasını sağlayacağız.

Comet ML

Comet ML, makine öğrenimi modellerini ve deneylerini izlemek, karşılaştırmak, açıklamak ve optimize etmek için bir platformdur. Model eğitiminiz sırasında metrikleri, parametreleri, medyayı ve daha fazlasını kaydetmenize ve deneylerinizi estetik açıdan hoş bir web arayüzü aracılığıyla izlemenize olanak tanır. Comet ML, veri bilimcilerin daha hızlı yineleme yapmasına yardımcı olur, şeffaflığı ve tekrarlanabilirliği artırır ve üretim modellerinin geliştirilmesine yardımcı olur.

YOLOv8 ve Comet ML'nin Gücünden Yararlanma

Ultralytics YOLOv8 ile Comet ML'yi birleştirerek bir dizi avantajın kilidini açarsınız. Bunlar arasında basitleştirilmiş deney yönetimi, hızlı ayarlamalar için gerçek zamanlı içgörüler, esnek ve özel günlük tutma seçenekleri ve internet erişimi sınırlı olduğunda deneyleri çevrimdışı olarak kaydetme yeteneği yer alır. Bu entegrasyon, veriye dayalı kararlar almanızı, performans metriklerini analiz etmenizi ve olağanüstü sonuçlar elde etmenizi sağlar.

Kurulum

Gerekli paketleri yüklemek için çalıştırın:

# Install the required packages for YOLOv8 and Comet ML
pip install ultralytics comet_ml torch torchvision

Comet ML'yi yapılandırma

Gerekli paketleri yükledikten sonra kaydolmanız, bir Comet API Anahtarı almanız ve yapılandırmanız gerekir.

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

Ardından, Comet projenizi başlatabilirsiniz. Comet API anahtarını otomatik olarak algılayacak ve kuruluma devam edecektir.

import comet_ml

comet_ml.init(project_name="comet-example-yolov8-coco128")

Eğer bir Google Colab notebook kullanıyorsanız, yukarıdaki kod sizden başlatma için API anahtarınızı girmenizi isteyecektir.

Kullanım

Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulanYOLOv8 model yelpazesine göz attığınızdan emin olun. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolov8-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Eğitim kodunu çalıştırdıktan sonra Comet ML, çalışmayı otomatik olarak izlemek için Comet çalışma alanınızda bir deneme oluşturacaktır. Daha sonra YOLOv8 modelinizin eğitim sürecinin ayrıntılı günlüğünü görüntülemeniz için size bir bağlantı sağlanacaktır.

Comet Ek yapılandırma olmadan aşağıdaki verileri otomatik olarak günlüğe kaydeder: mAP ve kayıp gibi metrikler, hiperparametreler, model kontrol noktaları, etkileşimli karışıklık matrisi ve görüntü sınırlayıcı kutu tahminleri.

Modelinizin Performansını Comet ML Görselleştirmeleri ile Anlama

Üzerinde göreceğiniz şeylere dalalım. Comet ML panosu bir kez YOLOv8 Model eğitime başlar. Pano, tüm eylemlerin gerçekleştiği yerdir ve görseller ve istatistikler aracılığıyla otomatik olarak günlüğe kaydedilen bir dizi bilgi sunar. İşte hızlı bir tur:

Deney Panelleri

Comet ML panosunun deney panelleri bölümü, farklı çalıştırmaları ve segment maskesi kaybı, sınıf kaybı, hassasiyet ve ortalama ortalama hassasiyet gibi metriklerini düzenler ve sunar.

Metrikler

Metrikler bölümünde, burada gösterildiği gibi özel bir bölmede görüntülenen metrikleri tablo biçiminde de inceleme seçeneğiniz vardır.

İnteraktif Karışıklık Matrisi

Karışıklık Matrisi sekmesinde bulunan karışıklık matrisi, modelin sınıflandırma doğruluğunu değerlendirmek için etkileşimli bir yol sağlar. Doğru ve yanlış tahminleri detaylandırarak modelin güçlü ve zayıf yönlerini anlamanızı sağlar.

Sistem Metrikleri

Comet ML, eğitim sürecindeki herhangi bir darboğazı belirlemeye yardımcı olmak için sistem metriklerini günlüğe kaydeder. GPU kullanımı, GPU bellek kullanımı, CPU kullanımı ve RAM kullanımı gibi metrikleri içerir. Bunlar, model eğitimi sırasında kaynak kullanımının verimliliğini izlemek için gereklidir.

Comet ML Günlük Kaydını Özelleştirme

Comet ML, ortam değişkenlerini ayarlayarak günlük tutma davranışını özelleştirme esnekliği sunar. Bu yapılandırmalar, Comet ML'yi özel ihtiyaçlarınıza ve tercihlerinize göre uyarlamanıza olanak tanır. İşte bazı yararlı özelleştirme seçenekleri:

Görüntü Tahminlerini Günlüğe Kaydetme

Deneyleriniz sırasında Comet ML'nin günlüğe kaydettiği görüntü tahminlerinin sayısını kontrol edebilirsiniz. Varsayılan olarak, Comet ML doğrulama kümesinden 100 görüntü tahminini günlüğe kaydeder. Ancak, bu sayıyı gereksinimlerinize daha iyi uyacak şekilde değiştirebilirsiniz. Örneğin, 200 görüntü tahminini günlüğe kaydetmek için aşağıdaki kodu kullanın:

import os

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

Toplu Günlüğe Kaydetme Aralığı

Comet ML, görüntü tahminlerinin ne sıklıkta kaydedileceğini belirlemenize olanak tanır. Bu COMET_EVAL_BATCH_LOGGING_INTERVAL ortam değişkeni bu sıklığı kontrol eder. Varsayılan ayar 1'dir ve her doğrulama grubundan tahminleri günlüğe kaydeder. Tahminleri farklı bir aralıkta günlüğe kaydetmek için bu değeri ayarlayabilirsiniz. Örneğin, 4 olarak ayarlamak her dördüncü partiden tahminleri günlüğe kaydeder.

import os

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

Karışıklık Matrisi Günlüğünü Devre Dışı Bırakma

Bazı durumlarda, her epoktan sonra doğrulama setinizden karışıklık matrisini günlüğe kaydetmek istemeyebilirsiniz. Bu özelliği şu şekilde devre dışı bırakabilirsiniz COMET_EVAL_LOG_CONFUSION_MATRIX ortam değişkenini "false" olarak ayarlayın. Karışıklık matrisi, eğitim tamamlandıktan sonra yalnızca bir kez kaydedilecektir.

import os

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

Çevrimdışı Günlük Kaydı

Kendinizi internet erişiminin sınırlı olduğu bir durumda bulursanız, Comet ML çevrimdışı bir günlük kaydı seçeneği sunar. Ayarlayabilirsiniz COMET_MODE Bu özelliği etkinleştirmek için ortam değişkenini "çevrimdışı" olarak ayarlayın. Deney verileriniz yerel olarak bir dizine kaydedilecek ve daha sonra internet bağlantısı mevcut olduğunda Comet ML adresine yükleyebileceksiniz.

import os

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

Özet

Bu kılavuz, Comet ML'yi Ultralytics' YOLOv8 ile entegre etme konusunda size yol gösterdi. Kurulumdan özelleştirmeye kadar, deney yönetimini kolaylaştırmayı, gerçek zamanlı içgörüler elde etmeyi ve günlük kaydını projenizin ihtiyaçlarına göre uyarlamayı öğrendiniz.

YOLOv8 ile entegrasyon hakkında daha fazla bilgi için Comet ML'nin resmi belgelerini keşfedin.

Ayrıca, özellikle görüntü segmentasyonu görevleri için YOLOv8'un pratik uygulamalarına daha derinlemesine dalmak istiyorsanız, Comet ML ile YOLOv8 'a ince ayar yapmaya ilişkin bu ayrıntılı kılavuz, modelinizin performansını artırmak için değerli bilgiler ve adım adım talimatlar sunar.

Ayrıca, Ultralytics ile diğer heyecan verici entegrasyonları keşfetmek için çok sayıda kaynak ve bilgi sunan entegrasyon kılavuzu sayfasına göz atın.

SSS

Eğitim için Comet ML'yi Ultralytics YOLOv8 ile nasıl entegre edebilirim?

Comet ML'yi Ultralytics YOLOv8 ile entegre etmek için aşağıdaki adımları izleyin:

1. Gerekli paketleri yükleyin:

   pip install ultralytics comet_ml torch torchvision
   

2. Comet API Anahtarınızı ayarlayın:

   export COMET_API_KEY=<Your API Key>
   

3. Comet projenizi Python kodunuzda başlatın:

   import comet_ml
   
   comet_ml.init(project_name="comet-example-yolov8-coco128")
   

4. YOLOv8 modelinizi eğitin ve metrikleri günlüğe kaydedin:

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.pt")
   results = model.train(
       data="coco8.yaml", project="comet-example-yolov8-coco128", batch=32, save_period=1, save_json=True, epochs=3
   )
   

Daha ayrıntılı talimatlar için Comet ML yapılandırma bölümüne bakın.

Comet ML'yi YOLOv8 ile kullanmanın faydaları nelerdir?

Ultralytics YOLOv8 adresini Comet ML ile entegre ederek şunları yapabilirsiniz:

• Gerçek zamanlı bilgileri izleyin: Eğitim sonuçlarınız hakkında anında geri bildirim alın ve hızlı ayarlamalar yapın.
• Kapsamlı metrikleri günlüğe kaydedin: mAP, kayıp, hiperparametreler ve model kontrol noktaları gibi temel metrikleri otomatik olarak yakalayın.
• Çevrimdışı deneyleri takip edin: İnternet erişimi olmadığında eğitim çalışmalarınızı yerel olarak kaydedin.
• Farklı eğitim çalışmalarını karşılaştırın: Birden fazla deneyi analiz etmek ve karşılaştırmak için etkileşimli Comet ML panosunu kullanın.

Bu özelliklerden yararlanarak makine öğrenimi iş akışlarınızı daha iyi performans ve tekrarlanabilirlik için optimize edebilirsiniz. Daha fazla bilgi için Comet ML entegrasyon kılavuzunu ziyaret edin.

YOLOv8 eğitimi sırasında Comet ML'nin günlük tutma davranışını nasıl özelleştirebilirim?

Comet ML, ortam değişkenlerini kullanarak günlük tutma davranışının kapsamlı bir şekilde özelleştirilmesine olanak tanır:

• Günlüğe kaydedilen görüntü tahminlerinin sayısını değiştirin:

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

• Toplu günlüğe kaydetme aralığını ayarlayın:

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

• Karışıklık matrisi günlüğünü devre dışı bırakın:

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

Daha fazla özelleştirme seçeneği için Comet ML Günlüğünü Özelleştirme bölümüne bakın.

Comet ML'de YOLOv8 eğitimimin ayrıntılı metriklerini ve görselleştirmelerini nasıl görüntüleyebilirim?

YOLOv8 modeliniz eğitime başladığında, Comet ML panosunda çok çeşitli ölçümlere ve görselleştirmelere erişebilirsiniz. Temel özellikler şunları içerir:

• Deney Panelleri: Segment maskesi kaybı, sınıf kaybı ve ortalama ortalama hassasiyet dahil olmak üzere farklı çalıştırmaları ve metriklerini görüntüleyin.
• Metrikler: Detaylı analiz için metrikleri tablo formatında inceleyin.
• Etkileşimli Karışıklık Matrisi: Etkileşimli bir karışıklık matrisi ile sınıflandırma doğruluğunu değerlendirin.
• Sistem Metrikleri: GPU ve CPU kullanımını, bellek kullanımını ve diğer sistem metriklerini izleyin.

Bu özelliklere ayrıntılı bir genel bakış için Comet ML Görselleştirmeleri ile Modelinizin Performansını Anlama bölümünü ziyaret edin.

YOLOv8 modellerini eğitirken çevrimdışı günlük kaydı için Comet ML kullanabilir miyim?

Evet, Comet ML'de çevrimdışı günlüğü şu şekilde ayarlayarak etkinleştirebilirsiniz COMET_MODE ortam değişkenini "çevrimdışı" olarak ayarlayın:

import os

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

Bu özellik, deney verilerinizi yerel olarak kaydetmenize ve daha sonra internet bağlantısı mevcut olduğunda Comet ML adresine yükleyebilmenize olanak tanır. Bu, özellikle sınırlı internet erişimi olan ortamlarda çalışırken kullanışlıdır. Daha fazla ayrıntı için Çevrimdışı Kayıt bölümüne bakın.

Yorumlar