YOLO Vision 2026：

Comet ML logo for machine learning experiment tracking

将 YOLOv5 与 Comet 结合使用#

本指南将介绍如何将 YOLOv5 与 Comet 结合使用，这是一个用于追踪、比较和优化机器学习实验的强大工具。

关于 Comet#

Comet 构建的工具可帮助数据科学家、工程师和团队领导者加速并优化机器学习和深度学习模型。

实时追踪和可视化模型指标，保存超参数、数据集和模型检查点，并通过 Comet Custom Panels 可视化模型预测结果！Comet 确保你不会丢失工作进度，并能轻松共享结果，实现各种规模团队之间的协作！

入门指南#

安装 Comet#

pip install comet_ml

配置 Comet 凭据#

有两种方法可以配置 YOLOv5 与 Comet 的连接。

你可以通过环境变量设置凭据：

环境变量

export COMET_API_KEY=YOUR_API_KEY
export COMET_PROJECT_NAME=YOUR_COMET_PROJECT_NAME # This will default to 'yolov5'

或者在工作目录中创建一个 .comet.config 文件并在其中设置你的凭证：

Comet 配置文件

[comet]
api_key=YOUR_API_KEY
project_name=YOUR_COMET_PROJECT_NAME # This will default to 'yolov5'

运行训练脚本#

# Train YOLOv5s on COCO128 for 5 epochs
python train.py --img 640 --batch 16 --epochs 5 --data coco128.yaml --weights yolov5s.pt

就是这样！Comet 将自动记录你的超参数、命令行参数、训练和验证指标。你可以在 Comet UI 中可视化并分析你的运行结果。

Comet dashboard showing YOLOv5 training metrics and experiment tracking

尝试一个示例！#

查看已完成运行的示例。

或者更好的是，在这个 Colab Notebook 中亲自试一试：

Open In Colab

自动记录#

默认情况下，Comet 将记录以下项目：

指标#

  • 训练和验证数据的边界框损失、目标损失、分类损失
  • 验证数据的 mAP_0.5, mAP_0.5:0.95 指标
  • 验证数据的精确率和召回率

参数量#

  • 模型超参数
  • 所有通过命令行选项传递的参数

可视化#

  • 模型在验证数据上的预测结果的混淆矩阵
  • 所有类别的 PR 和 F1 曲线图
  • 类别标签的相关图 (Correlogram)

配置 Comet 日志记录#

可以通过传递给训练脚本的命令行标志或通过环境变量来配置 Comet 以记录更多数据：

export COMET_MODE=online                           # Set whether to run Comet in 'online' or 'offline' mode. Defaults to online
export COMET_MODEL_NAME="yolov5"                   # Set the name for the saved model. Defaults to yolov5
export COMET_LOG_CONFUSION_MATRIX=false            # Set to disable logging a Comet Confusion Matrix. Defaults to true
export COMET_MAX_IMAGE_UPLOADS=30                  # Controls how many total image predictions to log to Comet. Defaults to 100.
export COMET_LOG_PER_CLASS_METRICS=true            # Set to log evaluation metrics for each detected class at the end of training. Defaults to false
export COMET_DEFAULT_CHECKPOINT_FILENAME="last.pt" # Set this if you would like to resume training from a different checkpoint. Defaults to 'last.pt'
export COMET_LOG_BATCH_LEVEL_METRICS=true          # Set this if you would like to log training metrics at the batch level. Defaults to false.
export COMET_LOG_PREDICTIONS=true                  # Set this to false to disable logging model predictions

使用 Comet 记录检查点#

默认情况下，将模型记录到 Comet 是禁用的。要启用它，请在训练脚本中传递 save-period 参数。这会根据 save-period 提供的间隔值将记录的检查点保存到 Comet：

python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data coco128.yaml \
  --weights yolov5s.pt \
  --save-period 1

记录模型预测#

默认情况下，模型预测（图像、真实标签和边界框）将被记录到 Comet。

你可以通过传递 bbox_interval 命令行参数来控制记录的预测结果及相关图像的频率。可以使用 Comet 的目标检测自定义面板可视化预测结果。此频率对应于每个轮次中的每 N 个数据批次。在下面的示例中，我们为每个轮次记录每 2 个数据批次。

注意： YOLOv5 验证数据加载器的默认批次大小为 32，因此你必须相应地设置记录频率。

这是一个使用该面板的项目示例

python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data coco128.yaml \
  --weights yolov5s.pt \
  --bbox_interval 2

控制记录到 Comet 的预测图像数量#

从 YOLOv5 记录预测结果时，Comet 会记录与每组预测相关的图像。默认情况下，最多记录 100 张验证图像。你可以使用 COMET_MAX_IMAGE_UPLOADS 环境变量来增加或减少此数量：

env COMET_MAX_IMAGE_UPLOADS=200 python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data coco128.yaml \
  --weights yolov5s.pt \
  --bbox_interval 1

记录类级别指标#

使用 COMET_LOG_PER_CLASS_METRICS 环境变量来记录每个类别的 mAP、精确率、召回率、f1：

env COMET_LOG_PER_CLASS_METRICS=true python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data coco128.yaml \
  --weights yolov5s.pt

将数据集上传到 Comet Artifacts#

如果你想使用 Comet Artifacts 存储数据，可以使用 upload_dataset 标志来实现。

数据集应按照 YOLOv5 文档中的说明进行组织。数据集配置文件 yaml 必须遵循与 coco128.yaml 文件相同的格式。

python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data coco128.yaml \
  --weights yolov5s.pt \
  --upload_dataset

你可以在 Comet 工作区的 Artifacts 选项卡中找到上传的数据集：

Comet artifacts panel for dataset versioning

你可以直接在 Comet UI 中预览数据：

Comet dataset preview and version history

Artifacts 具有版本控制功能，并支持添加关于数据集的元数据。Comet 会自动记录来自数据集 yaml 文件的元数据：

Comet Artifact Metadata

使用保存的 Artifact#

如果你想使用来自 Comet Artifacts 的数据集，请在你的数据集 yaml 文件中设置 path 变量，以指向以下 Artifact 资源 URL：

# Contents of artifact.yaml file
path: "comet://WORKSPACE_NAME/ARTIFACT_NAME:ARTIFACT_VERSION_OR_ALIAS"

然后通过以下方式将此文件传递给你的训练脚本：

python train.py \
  --img 640 \
  --batch 16 \
  --epochs 5 \
  --data artifact.yaml \
  --weights yolov5s.pt

Artifacts 还允许你跟踪数据在实验工作流程中流转时的血缘关系。在这里，你可以看到一张图表，显示了所有使用过你上传的数据集的实验：

Comet Artifact Lineage Graph

恢复训练运行#

如果你的训练运行由于任何原因（例如网络连接中断）而中断，你可以使用 resume 标志和 Comet 运行路径恢复运行。

运行路径具有以下格式 comet://WORKSPACE_NAME/PROJECT_NAME/EXPERIMENT_ID。

这将把运行恢复到中断前的状态，包括从检查点恢复模型、恢复所有超参数和训练参数，以及在原始运行中使用过它们的情况下下载 Comet 数据集 Artifacts。恢复后的运行将继续记录到 Comet UI 中的现有实验：

python train.py \
  --resume "comet://YOUR_RUN_PATH"

使用 Comet Optimizer 进行超参数搜索#

YOLOv5 还与 Comet 的优化器进行了集成，从而可以轻松在 Comet UI 中可视化超参数搜索。

配置优化器扫描#

要配置 Comet Optimizer，你需要创建一个包含搜索信息的 JSON 文件。utils/loggers/comet/optimizer_config.json 中提供了一个示例文件：

python utils/loggers/comet/hpo.py \
  --comet_optimizer_config "utils/loggers/comet/optimizer_config.json"

hpo.py 脚本接受与 train.py 相同的参数。如果你希望向搜索传递其他参数，只需在脚本后面添加它们：

python utils/loggers/comet/hpo.py \
  --comet_optimizer_config "utils/loggers/comet/optimizer_config.json" \
  --save-period 1 \
  --bbox_interval 1

可视化结果#

Comet 提供了多种方法来可视化搜索结果。请查看包含已完成搜索的项目。

Comet Hyperparameter Visualization

贡献者
GLglenn-jocher1

评论