提升 YOLO11 训练:使用 Comet ML 简化您的日志记录流程
记录关键的训练细节,如参数、指标、图像预测和模型检查点,在机器学习中至关重要——它使您的项目透明,进度可衡量,结果可重复。
Ultralytics YOLO11 与 Comet ML 无缝集成,高效地捕捉和优化 YOLO11 目标检测模型的训练过程的各个方面。在本指南中,我们将涵盖安装过程、Comet ML 设置、实时洞察、自定义日志记录和离线使用,确保您的 YOLO11 训练得到彻底记录并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期间记录指标、参数、媒体等,并通过美观的网页界面监控您的实验。Comet ML 帮助数据科学家更快迭代,增强透明度和可重复性,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 结合,您可以解锁一系列好处。这些包括简化的实验管理、实时洞察以快速调整、灵活和定制的日志记录选项,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,并取得卓越的结果。
安装
要安装所需的包,请运行:
配置 Comet ML
在安装所需的包后,您需要注册,获取 Comet API Key,并进行配置。
然后,您可以初始化您的 Comet 项目。Comet 将自动检测 API 密钥并继续设置。
如果您使用的是 Google Colab 笔记本,上述代码将提示您输入 API 密钥以进行初始化。
使用
在深入使用说明之前,请务必查看 Ultralytics 提供的 YOLO11 模型范围。这将帮助您选择最适合您项目需求的模型。
使用
运行训练代码后,Comet ML 将在您的 Comet 工作区中创建一个实验,以自动跟踪运行。然后,您将获得一个链接,以查看您的 YOLO11 模型训练 过程的详细日志记录。
Comet 自动记录以下数据,无需额外配置:指标如 mAP 和损失、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 可视化理解您的模型性能
让我们深入了解一旦您的 YOLO11 模型开始训练,您将在 Comet ML 仪表板上看到的内容。仪表板是所有操作发生的地方,通过视觉和统计数据呈现一系列自动记录的信息。以下是快速导览:
实验面板
Comet ML 仪表板的实验面板部分组织和展示了不同的运行及其指标,如分割掩码损失、类别损失、精确度和 平均精度均值。
指标
在指标部分,您可以选择以表格格式查看指标,该格式显示在专用窗格中,如图所示。
交互式混淆矩阵
混淆矩阵位于混淆矩阵选项卡中,提供了一种交互式的方式来评估模型的分类准确性。它详细说明了正确和错误的预测,使您能够了解模型的优势和劣势。
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期间的资源使用效率至关重要。
自定义Comet ML日志记录
Comet ML通过设置环境变量提供了灵活的自定义日志记录行为。这些配置允许您根据特定需求和偏好调整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在实验期间记录的图像预测数量。默认情况下,Comet ML从验证集中记录100个图像预测。但是,您可以更改此数量以更好地满足您的需求。例如,要记录200个图像预测,请使用以下代码:
批量日志记录间隔
Comet ML允许您指定记录图像预测批次的频率。COMET_EVAL_BATCH_LOGGING_INTERVAL
环境变量控制此频率。默认设置为1,即记录每个验证批次的预测。您可以调整此值以在不同间隔记录预测。例如,将其设置为4将记录每第四个批次的预测。
禁用混淆矩阵日志记录
在某些情况下,您可能不希望在每个epoch之后从验证集中记录混淆矩阵。您可以通过将COMET_EVAL_LOG_CONFUSION_MATRIX
环境变量设置为"false"来禁用此功能。混淆矩阵将仅在训练完成后记录一次。
离线日志记录
如果您发现自己处于互联网访问受限的情况,Comet ML提供了离线日志记录选项。您可以将COMET_MODE
环境变量设置为"offline"以启用此功能。您的实验数据将本地保存在一个目录中,您可以在互联网连接可用时稍后上传到Comet ML。
总结
本指南带您了解了将Comet ML与Ultralytics的YOLO11集成。从安装到自定义,您学会了简化实验管理、实时获取洞察力,并根据项目需求调整日志记录。
探索Comet ML的官方文档以获取更多关于与YOLO11集成的见解。
此外,如果您希望深入了解YOLO11的实际应用,特别是针对图像分割任务,这篇关于使用Comet ML微调YOLO11的详细指南提供了宝贵的见解和逐步说明,以提高您的模型性能。
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集成进行训练?
要将Comet ML与Ultralytics YOLO11集成,请按照以下步骤操作:
-
安装所需包:
-
设置您的Comet API密钥:
3. 在Python代码中初始化你的Comet项目: -
训练你的YOLO11模型并记录指标:
如需更详细的说明,请参阅Comet ML配置部分。
使用Comet ML与YOLO11的好处是什么?
通过将Ultralytics YOLO11与Comet ML集成,你可以:
- 监控实时洞察:即时获取训练结果反馈,便于快速调整。
- 记录广泛的指标:自动捕获关键指标,如mAP、损失、超参数和模型检查点。
- 离线跟踪实验:在无网络访问时本地记录训练运行。
- 比较不同的训练运行:使用交互式Comet ML仪表板分析和比较多个实验。
通过利用这些功能,你可以优化机器学习工作流程,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训练期间自定义Comet ML的日志记录行为?
Comet ML允许通过环境变量对其日志记录行为进行广泛的自定义:
-
更改记录的图像预测数量:
-
调整批次日志记录间隔:
-
禁用混淆矩阵日志记录:
更多自定义选项,请参阅自定义Comet ML日志记录部分。
如何在Comet ML上查看我的YOLO11训练的详细指标和可视化?
一旦你的YOLO11模型开始训练,你可以在Comet ML仪表板上访问广泛的指标和可视化。关键功能包括:
- 实验面板:查看不同的运行及其指标,包括分割掩码损失、类别损失和平均精度。
- 指标:以表格格式检查指标,进行详细分析。
- 交互式混淆矩阵:通过交互式混淆矩阵评估分类准确性。
- 系统指标:监控GPU和CPU利用率、内存使用情况和其他系统指标。
如需详细概述这些功能,请访问通过Comet ML可视化理解你的模型性能部分。
在训练YOLO11模型时,我可以使用Comet ML进行离线日志记录吗?
是的,你可以通过将COMET_MODE
环境变量设置为"offline"来启用Comet ML的离线日志记录:
此功能允许你本地记录实验数据,稍后在有网络连接时上传到Comet ML。这在网络访问受限的环境中特别有用。更多详情,请参阅离线日志记录部分。