提升YOLOv8 培训：使用Comet ML 简化记录过程

记录关键的训练细节（如参数、指标、图像预测和模型检查点）对于机器学习至关重要--它能使项目保持透明、进度可衡量、结果可重复。

Ultralytics YOLOv8与Comet ML 无缝集成，有效捕捉并优化YOLOv8 物体检测模型训练过程的各个方面。在本指南中，我们将介绍安装过程、Comet ML 设置、实时洞察、自定义日志和离线使用，确保您的YOLOv8 训练得到全面记录和微调，以获得出色的结果。

Comet ML

Comet ML是一个用于跟踪、比较、解释和优化机器学习模型和实验的平台。它允许您在模型训练过程中记录指标、参数、媒体等信息，并通过美观的网络界面监控您的实验。Comet ML 可帮助数据科学家更快速地迭代，提高透明度和可重复性，并有助于生产模型的开发。

利用YOLOv8 和Comet ML 的力量

通过将Ultralytics YOLOv8 与Comet ML 相结合，您可以获得一系列优势。这些优势包括：简化实验管理、用于快速调整的实时洞察力、灵活和定制的记录选项，以及在互联网访问受限时离线记录实验的能力。这种集成使您能够做出数据驱动的决策、分析性能指标并取得优异成绩。

安装

要安装所需的软件包，请运行

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

配置Comet ML

安装所需软件包后，您需要注册，获取Comet API Key 并进行配置。

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

然后，您就可以初始化Comet 项目了。Comet 会自动检测 API 密钥并进行设置。

import comet_ml

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

如果您使用的是 Google Colab 笔记本，上面的代码会提示您输入 API 密钥进行初始化。

使用方法

在了解使用说明之前，请务必查看 Ultralytics 提供的一系列YOLOv8 型号。这将有助于您根据项目要求选择最合适的型号。

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
)

运行训练代码后，Comet ML 会在您的Comet 工作区中创建一个实验，自动跟踪运行情况。然后，您将获得一个链接，以查看YOLOv8 模型训练过程的详细日志。

Comet 无需额外配置即可自动记录以下数据：mAP 和损失等指标、超参数、模型检查点、交互式混淆矩阵和图像边界框预测。

通过Comet ML 可视化了解模型性能

YOLOv8 模型开始训练后，让我们深入了解一下Comet ML 面板上的内容。仪表板是所有操作发生的地方，它通过视觉效果和统计数据展示了一系列自动记录的信息。下面是快速浏览：

实验面板

Comet ML 面板的实验面板部分组织并展示了不同的运行及其指标，如分段掩码损失、类损失、精度和平均精度。

衡量标准

在 "指标 "部分，你还可以选择以表格形式检查指标，如图所示，表格会显示在一个专门的窗格中。

交互式混淆矩阵

混淆矩阵可在 "混淆矩阵 "选项卡中找到，它提供了一种评估模型分类准确性的互动方式。它详细列出了正确和错误的预测，让您了解模型的优缺点。

系统指标

Comet ML 记录系统指标，以帮助识别训练过程中的任何瓶颈。它包括 GPU 利用率、GPU 内存使用率、CPU 利用率和 RAM 使用率等指标。这些指标对于监控模型训练过程中的资源使用效率至关重要。

定制Comet ML 日志

Comet ML 提供了通过设置环境变量来定制日志行为的灵活性。通过这些配置，您可以根据自己的具体需求和偏好定制Comet ML。以下是一些有用的自定义选项：

记录图像预测

您可以控制Comet ML 在实验过程中记录的图像预测数量。默认情况下，Comet ML 会记录来自验证集的 100 个图像预测。不过，您也可以更改这一数量，以更好地满足您的要求。例如，要记录 200 个图像预测，请使用以下代码：

import os

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

批量记录时间间隔

Comet ML 允许您指定记录批次图像预测的频率。记录 COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制这一频率。默认设置为 1，即记录每个验证批次的预测结果。您可以调整该值，以不同的间隔记录预测结果。例如，设置为 4 将记录每第四个批次的预测结果。

import os

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

禁用混淆矩阵日志

在某些情况下，您可能不想在每次历时后记录验证集的混淆矩阵。您可以通过设置 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量为 "false"。混淆矩阵只会在训练完成后记录一次。

import os

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

离线记录

如果您发现自己的互联网访问受限，Comet ML 提供了离线记录选项。您可以设置 COMET_MODE 环境变量设置为 "脱机 "以启用此功能。您的实验数据将保存在本地的一个目录中，以后有网络连接时，您可以将其上传到Comet ML。

import os

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

摘要

本指南将引导您完成Comet ML 与Ultralytics'YOLOv8 的集成。从安装到定制，您将学会如何简化实验管理、获得实时洞察力并根据项目需求调整日志记录。

请浏览Comet ML 的官方文档，了解与YOLOv8 集成的更多信息。

此外，如果您想深入了解YOLOv8 的实际应用，特别是图像分割任务的应用，这本关于使用Comet ML微调YOLOv8 的详细指南将为您提供宝贵的见解和逐步指导，帮助您提高模型的性能。

此外，要探索与Ultralytics 的其他令人兴奋的集成，请查看集成指南页面，该页面提供了丰富的资源和信息。

评论