Comet에서 Ultralytics YOLOv5를 사용하는 방법

Ultralytics는 YOLOv5와 같은 오픈 소스 도구를 모두가 무료로 사용할 수 있도록 연구 개발 자금을 마련하기 위해 다른 스타트업과 상업적으로 제휴합니다. 이 글에는 해당 파트너사로 연결되는 제휴 링크가 포함될 수 있습니다.

새로운 파트너인 Comet은 데이터 과학자, 엔지니어, 팀 리더가 머신러닝 및 딥러닝 모델을 더 빠르게 개발하고 최적화할 수 있도록 지원하는 도구를 만듭니다.

Comet은 모델, 데이터셋, 메트릭을 추적하는 강력한 도구입니다. 재현성을 보장하고 모든 실행에서 원활하게 디버깅할 수 있도록 시스템 및 환경 변수도 기록합니다. 모델 메트릭을 실시간으로 추적하고 시각화하고, 하이퍼파라미터, 데이터셋, 모델 체크포인트를 저장하며, Comet Custom Panels을 사용해 모델 예측을 시각화할 수 있습니다!

또한 Comet을 사용하면 작업을 놓치는 일이 없으며, 팀 규모에 관계없이 결과를 쉽게 공유하고 협업할 수 있습니다!

YOLOv5는 컴퓨터 비전 여정을 시작하기에 좋은 출발점입니다. 모델 성능을 개선하고 프로덕션에 배포할 준비를 하려면 Comet과 같은 실험 추적 도구에 결과를 기록해야 합니다.

Comet과 YOLOv5의 통합은 세 가지 주요 기능을 제공합니다:

• 자동 로깅 및 사용자 지정 로깅 기능
• 디버깅 및 재현성을 위해 데이터셋과 모델을 아티팩트로 저장
• Comet의 사용자 지정 패널로 보기 구성

이 가이드에서는 YOLOv5를 Comet과 함께 사용하는 방법을 설명합니다.

실험을 실시간으로 추적할 준비가 되셨나요? 시작해 보겠습니다!

시작하기#

1. Comet 설치#

pip install comet_ml

2. Comet 인증 정보 구성#

YOLOv5와 함께 Comet을 구성하는 방법은 두 가지입니다.

환경 변수를 통해 인증 정보를 설정하거나 작업 디렉터리에 .comet.config 파일을 만들고 그 파일에 인증 정보를 설정할 수 있습니다.

환경 변수#

export COMET_API_KEY=<Your API Key>
export COMET_PROJECT_NAME=<Your Comet Project Name> # This will default to 'yolov5'

Comet 구성 파일#

[comet]
api_key=<Your API Key>
project_name=<Your Comet Project Name> # This will default to 'yolov5'

3. 학습 스크립트 실행#

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

이제 끝입니다!

Comet은 하이퍼파라미터, 명령줄 인수, 학습 메트릭 및 검증 메트릭을 자동으로 기록합니다. Comet UI에서 실행 결과를 시각화하고 분석할 수 있습니다.

직접 사용해 보세요!#

완료된 실행의 예시를 확인해 보세요.

더 좋은 방법은 YOLOv5 Colab 노트북에서 직접 사용해 보는 것입니다.

자동으로 기록하기#

기본적으로 Comet은 다음 항목을 기록합니다:

메트릭#

• 학습 및 검증 데이터의 Box Loss, Object Loss, Classification Loss
• 검증 데이터의 mAP₅₀, mAP_50-95 지표
• 검증 데이터의 정밀도와 재현율

매개변수#

• 모델 하이퍼파라미터
• 명령줄 옵션을 통해 전달된 모든 매개변수

시각화#

• 검증 데이터에 대한 모델 예측의 혼동 행렬
• 모든 클래스의 PR 및 F1 곡선 그래프
• 클래스 레이블의 상관도

Comet 로깅 구성#

학습 스크립트에 전달하는 명령줄 플래그나 환경 변수를 통해 Comet이 추가 데이터를 기록하도록 구성할 수 있습니다.

export COMET_MODE=online # Set whether to run Comet in 'online' or 'offline' mode. Defaults to online
export COMET_MODEL_NAME=<your model name> # 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=<number of allowed images to upload to Comet> # 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=<your checkpoint filename> # 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

Comet으로 체크포인트 기록하기#

Comet에 모델을 기록하는 기능은 기본적으로 비활성화되어 있습니다. 활성화하려면 학습 스크립트에 save-period 인수를 전달하세요. 그러면 save-period에 지정된 간격 값에 따라 기록된 체크포인트가 Comet에 저장됩니다.

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

모델 예측 결과 기록하기#

기본적으로 모델 예측 결과(이미지, 정답 레이블, 바운딩 박스)는 Comet에 기록됩니다. bbox_interval 명령줄 인수를 전달하면 예측 결과와 관련 이미지의 기록 빈도를 제어할 수 있습니다. Comet의 Object Detection Custom Panel을 사용해 예측 결과를 시각화할 수 있습니다. 이 빈도는 에포크마다 N번째 데이터 배치에 해당합니다. 아래 예시에서는 에포크마다 두 번째 데이터 배치를 기록합니다.

참고: YOLOv5 검증 데이터 로더의 기본 배치 크기는 32이므로 이에 맞게 로깅 빈도를 설정해야 합니다.

여기에서 Panel을 사용하는 프로젝트 예제를 확인할 수 있습니다.

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

Comet에 기록되는 예측 이미지 수 제어#

YOLOv5의 예측 결과를 기록할 때 Comet은 각 예측 세트와 관련된 이미지를 기록합니다. 기본적으로 검증 이미지는 최대 100개까지 기록됩니다. COMET_MAX_IMAGE_UPLOADS 환경 변수를 사용해 이 수를 늘리거나 줄일 수 있습니다.

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

클래스별 메트릭 기록하기#

COMET_LOG_PER_CLASS_METRICS 환경 변수를 사용하면 클래스별 mAP, 정밀도, 재현율, F1을 기록할 수 있습니다.

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

Comet 아티팩트에 데이터셋 업로드하기#

Comet Artifacts를 사용해 데이터를 저장하려면 upload_dataset 플래그를 사용하면 됩니다.

데이터셋은 YOLOv5 문서에 설명된 방식으로 구성됩니다. 데이터셋 구성 YAML 파일은 coco128.yaml 파일과 동일한 형식을 따라야 합니다.

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

업로드한 데이터셋은 Comet Workspace의 Artifacts 탭에서 찾을 수 있습니다.

Comet UI에서 데이터를 직접 미리 볼 수 있습니다.

아티팩트는 버전 관리되며 데이터셋에 관한 메타데이터 추가도 지원합니다. Comet은 데이터셋 YAML 파일의 메타데이터를 자동으로 기록합니다.

저장된 아티팩트 사용하기#

Comet Artifacts의 데이터셋을 사용하려면 데이터셋 YAML 파일의 path 변수가 다음 Artifact 리소스 URL을 가리키도록 설정하세요.

# contents of artifact.yaml file
path: "comet://<workspace name>/<artifact name>:<artifact version or alias>"

그런 다음 다음과 같은 방법으로 이 파일을 학습 스크립트에 전달하세요.

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

아티팩트를 사용하면 실험 워크플로를 거치는 데이터의 계보도 추적할 수 있습니다. 여기에서 업로드한 데이터셋을 사용한 모든 실험을 보여주는 그래프를 확인할 수 있습니다.

학습 실행 재개하기#

인터넷 연결 중단 등 어떤 이유로든 학습 실행이 중단되면 resume 플래그와 Comet Run Path를 사용해 실행을 재개할 수 있습니다.

Run Path의 형식은 다음과 같습니다. comet://<your workspace name>/<your project name>/<experiment id>.

이렇게 하면 중단 전 상태로 실행이 복원됩니다. 여기에는 체크포인트에서 모델 복원, 모든 하이퍼파라미터 및 학습 인수 복원, 원래 실행에서 사용한 경우 Comet 데이터셋 아티팩트 다운로드가 포함됩니다. 재개된 실행은 Comet UI의 기존 Experiment에 계속 기록됩니다.

python train.py \
  --resume "comet://<your run path>"

Comet Optimizer를 사용한 하이퍼파라미터 검색#

YOLOv5는 Comet의 Optimizer와도 통합되어 있어 Comet UI에서 하이퍼파라미터 스윕을 간편하게 시각화할 수 있습니다.

Optimizer 스윕 구성하기#

Comet Optimizer를 구성하려면 스윕 정보가 포함된 JSON 파일을 만들어야 합니다.

예시 파일은 utils/loggers/comet/optimizer_config.json에 제공되어 있습니다.

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

hpo.py 스크립트는 train.py와 동일한 인수를 받습니다. 스윕에 추가 인수를 전달하려면 스크립트 뒤에 해당 인수를 추가하면 됩니다.

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

스윕을 병렬로 실행하기#

comet optimizer -j <num_workers> utils/loggers/comet/hpo.py \
  utils/loggers/comet/optimizer_config.json

Comet은 스윕 결과를 시각화하는 다양한 방법을 제공합니다. 완료된 스윕이 있는 프로젝트를 살펴보세요:

계속 소통하기#

학습 실행부터 프로덕션 모니터링까지 YOLOv5 모델을 관리, 시각화, 최적화하려면 Comet 통합을 사용해 보세요.

또한 YOLOv5의 학습, 검증, 배포에 관한 질문을 하고 팁을 공유할 수 있는 Ultralytics 커뮤니티에 참여해 보세요.