跳至内容

提升YOLO11 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 YOLO11与Comet ML 无缝集成，有效捕捉并优化YOLO11 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YOLO11 训练得到全面记录和微调，以获得出色的结果。

Comet ML

Comet ML 概述

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YOLO11 和Comet ML 的力量

通过将Ultralytics YOLO11 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

安装

# Install the required packages for YOLO11 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。

配置Comet ML

# 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。

初始化Comet 项目

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-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YOLO11 型号。这将有助于您根据项目要求选择最合适的型号。

使用方法

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,
)

运行训练代码后，Comet ML 将在您的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YOLO11 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

YOLO11 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。

Comet ML 概述

衡量标准

在 "指标 "部分，您还可以选择以表格形式检查指标，如图所示，表格会显示在专用窗格中。

Comet ML 概述

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。

Comet ML 概述

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 使用率、GPU 内存使用率、CPU 使用率和内存使用率等指标。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。

Comet ML 概述

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，您也可以根据自己的需要更改这一数量。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，您可能不希望在每个 纪元.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'YOLO11 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YOLO11 集成的更多信息。

此外，如果您想深入了解YOLO11 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YOLO11 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。

常见问题

如何将Comet ML 与Ultralytics YOLO11 整合起来进行训练？

要将Comet ML 与Ultralytics YOLO11 整合，请按以下步骤操作：

  1. 安装所需的软件包：

    pip install ultralytics comet_ml torch torchvision

  2. 设置Comet API 密钥：

    export COMET_API_KEY=YOUR_API_KEY

  3. 在Python 代码中初始化Comet 项目：

    import comet_ml

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

  4. 训练YOLO11 模型并记录指标：

    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,
)

有关更详细的说明，请参阅Comet ML 配置部分。

使用Comet ML 和YOLO11 有什么好处？

通过将Ultralytics YOLO11 与Comet ML 集成，您可以

  • 监测实时洞察力：获取有关训练结果的即时反馈，以便快速做出调整。
  • 记录大量指标：自动捕捉重要指标，如 mAP、损失、超参数和模型检查点。
  • 离线跟踪实验：在无法上网时，在本地记录训练运行。
  • 比较不同的训练运行：使用交互式Comet ML 面板分析和比较多个实验。

利用这些功能，您可以优化您的机器学习工作流程，以获得更好的性能和可重复性。更多信息，请访问Comet ML 集成指南。

如何在YOLO11 培训期间自定义Comet ML 的日志记录行为？

Comet ML 允许使用环境变量对其日志行为进行广泛的自定义：

  • 更改记录的图像预测次数：

    import os

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

  • 调整批记录时间间隔：

    import os

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

  • 禁用混淆矩阵记录：

    import os

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

有关更多自定义选项，请参阅自定义 Comet ML 日志部分。

如何在Comet ML 上查看YOLO11 培训的详细指标和可视化效果？

一旦YOLO11 模型开始训练，您就可以访问Comet ML 面板上的各种指标和可视化内容。主要功能包括

  • 实验面板：查看不同的运行及其指标，包括分段掩码损失、类别损失和平均精度。
  • 指标：以表格形式检查指标，进行详细分析。
  • 交互式混淆矩阵：利用交互式混淆矩阵评估分类准确性。
  • 系统指标：监控GPU 和CPU 使用率、内存使用情况以及其他系统指标。

有关这些功能的详细介绍，请访问 Comet ML 可视化了解模型性能部分。

在训练YOLO11 模型时，能否使用Comet ML 进行离线日志记录？

是的，您可以在Comet ML 中通过设置 COMET_MODE 环境变量为 "脱机"：

import os

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

该功能可让您在本地记录实验数据，随后在有互联网连接时将数据上传到Comet ML。在互联网访问受限的环境中工作时，这项功能尤其有用。更多详情，请参阅离线记录部分。



📅创建于 1 年前 ✏️已更新 2 个月前
翔宇 超解助手 jk4e 马修-诺伊斯 里兹万-穆纳瓦 AyushExel 阿比拉米-维纳

评论