Descubra cómo Ultralytics se asocia con Comet para la optimización del modelo Ultralytics YOLOv5: seguimiento en tiempo real, colaboración racionalizada y reproducibilidad mejorada.

Descubra cómo Ultralytics se asocia con Comet para la optimización del modelo Ultralytics YOLOv5: seguimiento en tiempo real, colaboración racionalizada y reproducibilidad mejorada.
En Ultralytics nos asociamos comercialmente con otras startups para que nos ayuden a financiar la investigación y el desarrollo de nuestras increíbles herramientas de código abierto, como YOLOv5, para que sigan siendo gratuitas para todo el mundo. Este artículo puede contener enlaces de afiliación a dichos socios.
Nuestro socio más reciente, Comet, crea herramientas que ayudan a los científicos de datos, ingenieros y jefes de equipo a acelerar y optimizar el aprendizaje automático y los modelos de aprendizaje profundo.
Comet es una potente herramienta para el seguimiento de sus modelos, conjuntos de datos y métricas. Incluso registra las variables del sistema y del entorno para garantizar la reproducibilidad y la depuración sin problemas de todas y cada una de las ejecuciones. Es como tener un asistente virtual que mágicamente sabe qué notas tomar. Siga y visualice las métricas del modelo en tiempo real, guarde sus hiperparámetros, conjuntos de datos y puntos de control del modelo, y visualice las predicciones de su modelo con los paneles personalizados de Comet.
Además, Comet le garantiza que nunca perderá la pista de su trabajo y facilita el intercambio de resultados y la colaboración entre equipos de todos los tamaños.
YOLOv5 es un gran punto de partida para tu viaje por la visión por ordenador. Para mejorar el rendimiento de tu modelo y prepararlo para la producción, tendrás que registrar los resultados en una herramienta de seguimiento de experimentos como Comet.
La integración de Comet y YOLOv5 ofrece 3 características principales:
Esta guía explica cómo utilizar YOLOv5 con Comet.
¿Listo para seguir tus experimentos en tiempo real? Empecemos.
Pip install comet_ml
Hay dos formas de configurar Comet con YOLOv5.
Puedes establecer tus credenciales a través de variables de entorno o crear un archivo .comet.config en tu directorio de trabajo y establecer allí tus credenciales.
export COMET_API_KEY=export COMET_PROJECT_NAME= # Por defecto será 'yolov5'
[comet] api_key= project_name=<Your Comet API Key># This will default to 'yolov5'
# Train YOLOv5s on COCO128 for 5 epochspython train.py --img 640 --batch 16 --epochs 5 --data coco128.yaml --weights yolov5s.pt
¡Ya está!
Comet registrará automáticamente los hiperparámetros, los argumentos de la línea de comandos y las métricas de entrenamiento y validación. Puede visualizar y analizar sus ejecuciones en la interfaz de usuario de Comet.
Vea aquí un ejemplo de un recorrido completo.
O mejor aún, pruébelo usted mismo en este Cuaderno Colab.
Por defecto, Comet registrará los siguientes elementos:
Comet puede configurarse para registrar datos adicionales mediante indicadores de línea de comandos pasados al script de entrenamiento o variables de entorno.
export COMET_MODE=online # Establece si Comet se ejecuta en modo 'online' u 'offline'. Por defecto es onlineexport COMET_MODEL_NAME= #Determina el nombre del modelo guardado. Por defecto es yolov5export COMET_LOG_CONFUSION_MATRIX=false #Desactiva el registro de la matriz de confusión de Comet. Por defecto es trueexport COMET_MAX_IMAGE_UPLOADS= # Controla cuántas predicciones de imagen totales se registrarán en Comet. Por defecto es 100.export COMET_LOG_PER_CLASS_METRICS=true # Establece el registro de métricas de evaluación para cada clase detectada al final del entrenamiento. Por defecto falseexport COMET_DEFAULT_CHECKPOINT_FILENAME= # Establézcalo si desea reanudar el entrenamiento desde un punto de control diferente. Por defecto es 'last.pt'export COMET_LOG_BATCH_LEVEL_METRICS=true # Establécelo si deseas registrar las métricas de entrenamiento a nivel de lote. Por defecto es false.export COMET_LOG_PREDICTIONS=true # Establézcalo en false para desactivar el registro de predicciones del modelo.
El registro de modelos en Comet está desactivado por defecto. Para activarlo, pase el argumento save-period al script de entrenamiento. Esto guardará los puntos de control registrados en Comet basándose en el valor del intervalo proporcionado por save-period.
python train.py \
--img 640 \
--batch 16 \
--epochs 5 \
--data coco128.yaml \
--weights yolov5s.pt \
--save-period 1
Por defecto, las predicciones del modelo (imágenes, etiquetas de la verdad sobre el terreno y cuadros delimitadores) se registrarán en Comet. Puede controlar la frecuencia de las predicciones registradas y las imágenes asociadas pasando el argumento de línea de comandos bbox_interval. Las predicciones pueden visualizarse utilizando el panel personalizado de detección de objetos de Comet. Esta frecuencia corresponde a cada N lotes de datos por época. En el ejemplo siguiente, estamos registrando uno de cada dos lotes de datos por cada época.
Nota: El cargador de datos de validación de YOLOv5 utilizará por defecto un tamaño de lote de 32, por lo que deberá configurar la frecuencia de registro en consecuencia.
He aquí un proyecto de ejemplo en el que se utiliza el Panel.
python train.py \--img 640 \--batch 16 \--epochs 5 \--data coco128.yaml \--weights yolov5s.pt \--bbox_interval 2
Al registrar predicciones de YOLOv5, Comet registrará las imágenes asociadas a cada conjunto de predicciones. Por defecto, se registra un máximo de 100 imágenes de validación. Puede aumentar o disminuir este número utilizando la variable de entorno COMET_MAX_IMAGE_UPLOADS.
env COMET_MAX_IMAGE_UPLOADS=200python train.py \--img 640 \--batch 16 \--epochs 5 \--data coco128.yaml \--weights yolov5s.pt \--bbox_interval 1
Utilice la variable de entorno COMET_LOG_PER_CLASS_METRICS para registrar mAP, precisión, recall y f1 para cada clase.
env COMET_LOG_PER_CLASS_METRICS=true python train.py \--img 640 \--batch 16 \--epochs 5 \--data coco128.yaml \--weights yolov5s.pt
Si desea almacenar sus datos utilizando Comet Artifacts, puede hacerlo utilizando la bandera upload_dataset.
El conjunto de datos se organiza de la forma descrita en la documentación de YOLOv5. El archivo dataset config yaml debe seguir el mismo formato que el archivo coco128.yaml.
python train.py \--img 640 \--batch 16 \--epochs 5 \--data coco128.yaml \--weights yolov5s.pt \--upload_dataset
Puede encontrar el conjunto de datos cargado en la pestaña Artefactos de su espacio de trabajo de Comet
Puedes previsualizar los datos directamente en la interfaz de usuario de Comet.
Los artefactos están versionados y también permiten añadir metadatos sobre el conjunto de datos. Comet registrará automáticamente los metadatos del archivo yaml del conjunto de datos.
Si desea utilizar un conjunto de datos de Comet Artifacts, establezca la variable de ruta en el archivo yaml del conjunto de datos para que apunte a la siguiente URL de recursos de artefactos.
# contenido del archivo artifact.yaml ruta: "cometa:///:"
A continuación, pase este archivo a su script de entrenamiento de la siguiente manera:
python train.py \--img 640 \--batch 16 \--epochs 5 \--data artifact.yaml \--weights yolov5s.pt
Los artefactos también le permiten rastrear el linaje de los datos a medida que fluyen a través de su flujo de trabajo de experimentación. Aquí puede ver un gráfico que muestra todos los experimentos que han utilizado el conjunto de datos cargado.
Si tu carrera de entrenamiento se interrumpe por cualquier motivo, por ejemplo, si se interrumpe la conexión a Internet, puedes reanudarla utilizando la bandera de reanudación y la Comet Run Path.
La ruta de ejecución tiene el siguiente formato comet:////.
Esto restaurará la ejecución a su estado anterior a la interrupción, lo que incluye restaurar el modelo desde un punto de control, restaurar todos los hiperparámetros y argumentos de entrenamiento, y descargar los artefactos del conjunto de datos de Comet si se utilizaron en la ejecución original. La ejecución reanudada continuará registrándose en el experimento existente en la interfaz de usuario de Comet.
python tren.py \--resume "cometa://"
YOLOv5 también está integrado con el optimizador de Comet, lo que simplifica la visualización de los barridos de hiperparámetros en la interfaz de usuario de Comet.
Para configurar el Comet Optimizer, tendrá que crear un archivo JSON con la información sobre el barrido.
Se ha proporcionado un archivo de ejemplo en:
utils/loggers/comet/optimizer_config.json python utils/loggers/comet/hpo.py \--comet_optimizer_config "utils/loggers/comet/optimizer_config.json"
El script hpo.py acepta los mismos argumentos que train.py. Si desea pasar argumentos adicionales a su barrido simplemente añádalos después del script.
python utils/loggers/comet/hpo.py \--comet_optimizer_config "utils/loggers/comet/optimizer_config.json" \--save-period 1 \--bbox_interval 1
comet optimizer -j utils/loggers/comet/hpo.py \utils/loggers/comet/optimizer_config.json"
Comet ofrece muchas formas de visualizar los resultados de su barrido. Eche un vistazo a un proyecto con un barrido completado aquí:
Comience a utilizar nuestra integración con Comet para gestionar, visualizar y optimizar sus modelos YOLOv5, desde las ejecuciones de formación hasta la supervisión de la producción.
Y, por supuesto, únase a la Comunidad Ultralytics, un lugar en el que hacer preguntas y compartir consejos sobre la formación, validación e implantación de YOLOv5.