Nâng cao Huấn luyện YOLO11: Đơn giản hóa quy trình ghi nhật ký của bạn với Comet ML
Ghi nhật ký các chi tiết huấn luyện quan trọng như tham số, số liệu, dự đoán hình ảnh và điểm kiểm tra mô hình là điều cần thiết trong học máy—nó giúp dự án của bạn minh bạch, tiến độ của bạn có thể đo lường được và kết quả của bạn có thể lặp lại được.
Xem: Cách sử dụng Comet ML cho nhật ký và số liệu huấn luyện mô hình Ultralytics YOLO 🚀
Ultralytics YOLO11 tích hợp liền mạch với Comet ML, ghi lại và tối ưu hóa hiệu quả mọi khía cạnh của quá trình huấn luyện mô hình phát hiện đối tượng YOLO11 của bạn. Trong hướng dẫn này, chúng ta sẽ đề cập đến quy trình cài đặt, thiết lập Comet ML, thông tin chi tiết theo thời gian thực, ghi nhật ký tùy chỉnh và sử dụng ngoại tuyến, đảm bảo rằng quá trình huấn luyện YOLO11 của bạn được ghi lại đầy đủ và tinh chỉnh để có kết quả vượt trội.
Comet ML
Comet ML là một nền tảng để theo dõi, so sánh, giải thích và tối ưu hóa các mô hình và thử nghiệm học máy. Nó cho phép bạn ghi lại các số liệu, tham số, phương tiện và hơn thế nữa trong quá trình huấn luyện mô hình của bạn và theo dõi các thử nghiệm của bạn thông qua giao diện web trực quan. Comet ML giúp các nhà khoa học dữ liệu lặp lại nhanh hơn, tăng cường tính minh bạch và khả năng tái tạo, đồng thời hỗ trợ phát triển các mô hình sản xuất.
Khai thác Sức mạnh của YOLO11 và Comet ML
Bằng cách kết hợp Ultralytics YOLO11 với Comet ML, bạn sẽ mở khóa một loạt các lợi ích. Chúng bao gồm quản lý thử nghiệm đơn giản hóa, thông tin chi tiết theo thời gian thực để điều chỉnh nhanh chóng, các tùy chọn ghi nhật ký linh hoạt và phù hợp, cùng với khả năng ghi nhật ký các thử nghiệm ngoại tuyến khi khả năng truy cập internet bị hạn chế. Sự tích hợp này cho phép bạn đưa ra các quyết định dựa trên dữ liệu, phân tích các số liệu hiệu suất và đạt được kết quả vượt trội.
Cài đặt
Để cài đặt các gói cần thiết, hãy chạy:
Cài đặt
# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision
Định cấu hình Comet ML
Sau khi cài đặt các gói cần thiết, bạn cần đăng ký, lấy Khóa Comet API và định cấu hình nó.
Định cấu hình Comet ML
# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY
Sau đó, bạn có thể khởi tạo dự án Comet của mình. Comet sẽ tự động phát hiện khóa API và tiến hành thiết lập.
Khởi tạo dự án Comet
import comet_ml
comet_ml.login(project_name="comet-example-yolo11-coco128")
Nếu bạn đang sử dụng sổ tay Google Colab, đoạn mã trên sẽ nhắc bạn nhập khóa API của mình để khởi tạo.
Cách sử dụng
Trước khi đi sâu vào hướng dẫn sử dụng, hãy nhớ xem qua phạm vi các mô hình YOLO11 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho các yêu cầu của dự án.
Cách sử dụng
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,
)
Sau khi chạy mã huấn luyện, Comet ML sẽ tạo một thử nghiệm trong không gian làm việc Comet của bạn để tự động theo dõi quá trình chạy. Sau đó, bạn sẽ được cung cấp một liên kết để xem nhật ký chi tiết về quá trình huấn luyện mô hình YOLO11 của bạn.
Comet tự động ghi lại các dữ liệu sau mà không cần cấu hình bổ sung: các số liệu như mAP và loss, siêu tham số, điểm kiểm tra mô hình, ma trận nhầm lẫn tương tác và dự đoán khung giới hạn hình ảnh.
Tìm hiểu hiệu suất mô hình của bạn với hình ảnh trực quan Comet ML
Hãy cùng tìm hiểu những gì bạn sẽ thấy trên bảng điều khiển Comet ML sau khi mô hình YOLO11 của bạn bắt đầu huấn luyện. Bảng điều khiển là nơi mọi hoạt động diễn ra, trình bày một loạt thông tin được ghi lại tự động thông qua hình ảnh và số liệu thống kê. Dưới đây là một chuyến tham quan nhanh:
Các Bảng Thử Nghiệm
Phần bảng điều khiển thử nghiệm của trang tổng quan Comet ML sắp xếp và trình bày các lần chạy khác nhau và các số liệu của chúng, chẳng hạn như lỗi phân đoạn mặt nạ, lỗi lớp, độ chính xác và độ chính xác trung bình.
Các độ đo
Trong phần số liệu, bạn cũng có tùy chọn kiểm tra số liệu ở định dạng bảng, được hiển thị trong một ngăn chuyên dụng như được minh họa ở đây.
Ma trận nhầm lẫn tương tác
Ma trận nhầm lẫn, có trong tab Ma trận Nhầm lẫn, cung cấp một cách tương tác để đánh giá độ chính xác phân loại của mô hình. Nó trình bày chi tiết các dự đoán đúng và sai, cho phép bạn hiểu rõ điểm mạnh và điểm yếu của mô hình.
Số liệu hệ thống
Comet ML ghi lại các số liệu hệ thống để giúp xác định bất kỳ tắc nghẽn nào trong quá trình huấn luyện. Nó bao gồm các số liệu như mức sử dụng GPU, mức sử dụng bộ nhớ GPU, mức sử dụng CPU và mức sử dụng RAM. Đây là những yếu tố cần thiết để theo dõi hiệu quả sử dụng tài nguyên trong quá trình huấn luyện mô hình.
Tùy chỉnh Ghi nhật ký Comet ML
Comet ML cho phép bạn tùy chỉnh linh hoạt hành vi ghi nhật ký bằng cách thiết lập các biến môi trường. Các cấu hình này cho phép bạn điều chỉnh Comet ML cho phù hợp với nhu cầu và sở thích cụ thể của bạn. Dưới đây là một số tùy chọn tùy chỉnh hữu ích:
Ghi nhật ký dự đoán hình ảnh
Bạn có thể kiểm soát số lượng dự đoán hình ảnh mà Comet ML ghi lại trong quá trình thử nghiệm. Theo mặc định, Comet ML ghi lại 100 dự đoán hình ảnh từ tập dữ liệu xác thực. Tuy nhiên, bạn có thể thay đổi con số này để phù hợp hơn với yêu cầu của mình. Ví dụ: để ghi lại 200 dự đoán hình ảnh, hãy sử dụng đoạn mã sau:
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
Khoảng thời gian ghi nhật ký theo lô
Comet ML cho phép bạn chỉ định tần suất ghi nhật ký các batch dự đoán hình ảnh. Các COMET_EVAL_BATCH_LOGGING_INTERVAL biến môi trường kiểm soát tần suất này. Cài đặt mặc định là 1, ghi lại các dự đoán từ mọi lô xác thực. Bạn có thể điều chỉnh giá trị này để ghi lại các dự đoán ở một khoảng thời gian khác. Ví dụ: đặt thành 4 sẽ ghi lại các dự đoán từ mỗi lô thứ tư.
import os
os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
Tắt Ghi nhật ký Ma trận nhầm lẫn
Trong một số trường hợp, bạn có thể không muốn ghi lại ma trận nhầm lẫn từ tập dữ liệu xác thực của mình sau mỗi lần epoch. Bạn có thể tắt tính năng này bằng cách đặt COMET_EVAL_LOG_CONFUSION_MATRIX biến môi trường thành "false". Ma trận nhầm lẫn sẽ chỉ được ghi lại một lần, sau khi quá trình huấn luyện hoàn tất.
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
Ghi Nhật Ký Ngoại Tuyến
Nếu bạn thấy mình ở trong tình huống bị hạn chế truy cập internet, Comet ML cung cấp tùy chọn ghi nhật ký ngoại tuyến. Bạn có thể thiết lập COMET_MODE biến môi trường thành "offline" để bật tính năng này. Dữ liệu thử nghiệm của bạn sẽ được lưu cục bộ trong một thư mục mà sau này bạn có thể tải lên Comet ML khi có kết nối internet.
import os
os.environ["COMET_MODE"] = "offline"
Tóm tắt
Hướng dẫn này đã hướng dẫn bạn tích hợp Comet ML với YOLO11 của Ultralytics. Từ cài đặt đến tùy chỉnh, bạn đã học cách hợp lý hóa quản lý thử nghiệm, đạt được thông tin chi tiết theo thời gian thực và điều chỉnh ghi nhật ký theo nhu cầu của dự án.
Khám phá tài liệu chính thức của Comet ML để biết thêm thông tin chi tiết về tích hợp với YOLO11.
Hơn nữa, nếu bạn muốn tìm hiểu sâu hơn về các ứng dụng thực tế của YOLO11, đặc biệt là cho các tác vụ phân đoạn hình ảnh, thì hướng dẫn chi tiết về tinh chỉnh YOLO11 với Comet ML này cung cấp những hiểu biết có giá trị và hướng dẫn từng bước để nâng cao hiệu suất mô hình của bạn.
Ngoài ra, để khám phá các tích hợp thú vị khác với Ultralytics, hãy xem trang hướng dẫn tích hợp, nơi cung cấp vô số tài nguyên và thông tin.
Câu hỏi thường gặp
Làm cách nào để tích hợp Comet ML với Ultralytics YOLO11 để huấn luyện?
Để tích hợp Comet ML với Ultralytics YOLO11, hãy làm theo các bước sau:
-
Cài đặt các gói yêu cầu:
pip install ultralytics comet_ml torch torchvision -
Thiết lập Khóa API Comet của bạn:
export COMET_API_KEY=YOUR_API_KEY -
Khởi tạo dự án Comet của bạn trong mã Python:
import comet_ml comet_ml.login(project_name="comet-example-yolo11-coco128") -
Huấn luyện mô hình YOLO11 của bạn và ghi lại các số liệu:
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, )
Để biết hướng dẫn chi tiết hơn, hãy tham khảo phần cấu hình Comet ML.
Những lợi ích của việc sử dụng Comet ML với YOLO11 là gì?
Bằng cách tích hợp Ultralytics YOLO11 với Comet ML, bạn có thể:
- Giám sát thông tin chi tiết theo thời gian thực: Nhận phản hồi tức thì về kết quả huấn luyện của bạn, cho phép điều chỉnh nhanh chóng.
- Ghi lại các số liệu mở rộng: Tự động thu thập các số liệu thiết yếu như mAP, loss, siêu tham số và điểm kiểm tra mô hình.
- Theo dõi các thử nghiệm ngoại tuyến: Ghi lại các lần chạy huấn luyện cục bộ khi không có quyền truy cập internet.
- So sánh các lần chạy huấn luyện khác nhau: Sử dụng bảng điều khiển Comet ML tương tác để phân tích và so sánh nhiều thử nghiệm.
Bằng cách tận dụng các tính năng này, bạn có thể tối ưu hóa quy trình làm việc machine learning của mình để có hiệu suất và khả năng tái tạo tốt hơn. Để biết thêm thông tin, hãy truy cập hướng dẫn tích hợp Comet ML.
Làm cách nào để tùy chỉnh hành vi ghi nhật ký của Comet ML trong quá trình huấn luyện YOLO11?
Comet ML cho phép tùy chỉnh mở rộng hành vi ghi nhật ký của nó bằng cách sử dụng các biến môi trường:
-
Thay đổi số lượng dự đoán hình ảnh được ghi lại:
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200" -
Điều chỉnh khoảng thời gian ghi log theo batch:
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4" -
Tắt ghi nhật ký ma trận nhầm lẫn:
import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
Tham khảo phần Tùy chỉnh Ghi nhật ký Comet ML để biết thêm các tùy chọn tùy chỉnh.
Làm cách nào để xem các số liệu và hình ảnh trực quan chi tiết về quá trình huấn luyện YOLO11 của tôi trên Comet ML?
Sau khi mô hình YOLO11 của bạn bắt đầu huấn luyện, bạn có thể truy cập một loạt các số liệu và hình ảnh trực quan trên bảng điều khiển Comet ML. Các tính năng chính bao gồm:
- Bảng điều khiển thử nghiệm: Xem các lần chạy khác nhau và các số liệu của chúng, bao gồm lỗi mask phân đoạn, lỗi phân loại và độ chính xác trung bình (mean average precision).
- Số liệu: Kiểm tra số liệu ở định dạng bảng để phân tích chi tiết.
- Ma trận nhầm lẫn tương tác: Đánh giá độ chính xác phân loại bằng ma trận nhầm lẫn tương tác.
- Số liệu hệ thống: Theo dõi mức sử dụng GPU và CPU, mức sử dụng bộ nhớ và các số liệu hệ thống khác.
Để có cái nhìn tổng quan chi tiết về các tính năng này, hãy truy cập phần Tìm hiểu Hiệu suất Mô hình của bạn bằng Trực quan hóa Comet ML.
Tôi có thể sử dụng Comet ML để ghi nhật ký ngoại tuyến khi huấn luyện các mô hình YOLO11 không?
Có, bạn có thể bật tính năng ghi nhật ký ngoại tuyến trong Comet ML bằng cách đặt COMET_MODE biến môi trường thành "offline":
import os
os.environ["COMET_MODE"] = "offline"
Tính năng này cho phép bạn ghi lại dữ liệu thử nghiệm cục bộ, sau đó có thể tải lên Comet ML khi có kết nối internet. Điều này đặc biệt hữu ích khi làm việc trong môi trường có kết nối internet hạn chế. Để biết thêm chi tiết, hãy tham khảo phần Ghi nhật ký ngoại tuyến.
