Comet과 Ultralytics YOLOv5를 사용하는 방법

Ultralytics는 당사의 훌륭한 오픈 소스 도구인 YOLOv5와 같은 기술의 연구 및 개발 자금을 확보하고 모든 사람에게 무료로 제공하기 위해 다른 스타트업과 상업적 파트너십을 맺고 있습니다. 이 기사에는 해당 파트너에 대한 제휴 링크가 포함되어 있을 수 있습니다.

저희의 최신 파트너인 Comet은(는) 데이터 과학자, 엔지니어, 팀 리더가 머신러닝 및 딥러닝 모델을 가속화하고 최적화할 수 있도록 돕는 도구를 만듭니다.

Comet은 모델, 데이터셋, 메트릭을 추적하기 위한 강력한 도구입니다. 심지어 시스템 및 환경 변수까지 로깅하여 모든 실행에서 재현성과 원활한 디버깅을 보장합니다. 마치 어떤 노트를 보관해야 하는지 마법처럼 아는 가상 비서를 두는 것과 같습니다. Comet Custom Panels을(를) 사용하여 모델 메트릭을 실시간으로 추적 및 시각화하고, 하이퍼파라미터, 데이터셋, 모델 체크포인트를 저장하며, 모델 예측을 시각화해 보세요!

또한 Comet은 작업을 놓치지 않도록 보장하며, 모든 규모의 팀에서 결과를 쉽게 공유하고 협업할 수 있도록 합니다!

YOLOv5은(는) 컴퓨터 비전 여정을 시작하기에 훌륭한 출발점입니다. 모델의 성능을 향상시키고 프로덕션 환경에 바로 적용할 수 있도록 준비하려면 Comet과(와) 같은 실험 추적 도구에 결과를 로깅해야 합니다.

Comet과 YOLOv5 통합은 3가지 주요 기능을 제공합니다:

• 자동 로깅 및 사용자 지정 로깅 기능
• 디버깅 및 재현성을 위해 데이터셋과 모델을 아티팩트로 저장
• Comet의 사용자 지정 패널을 통한 뷰 정리

이 가이드에서는 YOLOv5를 Comet과 함께 사용하는 방법을 다룹니다.

그럼, 실시간으로 실험을 추적할 준비가 되셨습니까? 시작해 보겠습니다!

시작하기#

Comet 설치#

pip install comet_ml

Comet 자격 증명 구성#

YOLOv5에서 Comet을 구성하는 방법에는 두 가지가 있습니다.

자격 증명을 환경 변수를 통해 설정하거나, 작업 디렉토리에 .comet.config 파일을 생성하고 해당 위치에 자격 증명을 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'

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

이것으로 끝입니다!

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

직접 시도해 보십시오!#

완료된 실행 예시를 여기에서 확인해 보세요.

또는 더 나아가 이 Colab Notebook에서 직접 시도해 보세요.

자동 기록#

기본적으로 Comet은 다음 항목을 기록합니다:

지표#

• 학습 및 검증 데이터를 위한 Box Loss, Object Loss 및 Classification Loss
• 검증 데이터를 위한 mAP_0.5, mAP_0.5:0.95 지표
• 검증 데이터를 위한 정밀도(Precision) 및 재현율(Recall)

매개변수#

• 모델 하이퍼파라미터
• 명령줄 옵션을 통해 전달된 모든 매개변수

시각화#

• 검증 데이터에 대한 모델 예측의 혼동 행렬(Confusion Matrix)
• 모든 클래스에 걸친 PR 및 F1 곡선 그래프
• 클래스 라벨의 상관도(Correlogram)

Comet 로깅 구성#

Comet은 학습 스크립트에 전달되는 명령줄 플래그나 환경 변수를 통해 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

Comet을 통한 체크포인트 기록#

모델을 Comet에 기록하는 기능은 기본적으로 비활성화되어 있습니다. 이를 활성화하려면 save-period 인수를 학습 스크립트에 전달하십시오. 이렇게 하면 save-period로 제공된 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 기록#

기본적으로 모델 예측(이미지, 정답 라벨, 경계 상자)은 Comet에 기록됩니다. bbox_interval 명령줄 인수를 전달하여 기록된 예측 및 관련 이미지의 빈도를 제어할 수 있습니다. 예측은 Comet의 객체 탐지 사용자 지정 패널을 사용하여 시각화할 수 있습니다. 이 빈도는 에포크당 N번째 데이터 배치에 해당합니다. 아래 예시에서는 각 에포크마다 2번째 데이터 배치마다 기록하고 있습니다.

참고: YOLOv5 검증 데이터 로더는 기본 배치 크기가 32이므로, 그에 따라 로깅 빈도를 설정해야 합니다.

다음은 패널을 사용하는 예제 프로젝트입니다.

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

Comet에 기록되는 예측 이미지 수 제어#

YOLOv5에서 예측을 기록할 때, Comet은 각 예측 세트와 연결된 이미지를 기록합니다. 기본적으로 최대 100개의 검증 이미지가 기록됩니다. COMET_MAX_IMAGE_UPLOADS 환경 변수를 사용하여 이 숫자를 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

클래스 수준 지표 기록#

COMET_LOG_PER_CLASS_METRICS 환경 변수를 사용하여 각 클래스에 대한 mAP, 정밀도, 재현율, f1을 기록하십시오.

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

Comet Artifacts에 데이터셋 업로드#

Comet Artifacts를 사용하여 데이터를 저장하려면 upload_dataset 플래그를 사용하여 그렇게 할 수 있습니다.

데이터셋은 YOLOv5 documentation에 설명된 방식으로 구성됩니다. 데이터셋 설정 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

업로드된 데이터셋은 Comet Workspace의 Artifacts 탭에서 찾을 수 있습니다.

Comet UI에서 직접 데이터를 미리 볼 수 있습니다.

Artifact는 버전이 관리되며 데이터셋에 대한 메타데이터 추가도 지원합니다. Comet은 데이터셋 yaml 파일의 메타데이터를 자동으로 기록합니다.

저장된 Artifact 사용하기#

Comet Artifacts의 데이터셋을 사용하려면, 데이터셋 yaml 파일의 path 변수를 다음 Artifact 리소스 URL을 가리키도록 설정하십시오.

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

그런 다음 이 파일을 다음과 같이 학습 스크립트에 전달하십시오:

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

Artifact를 사용하면 데이터가 실험 워크플로우를 통과할 때 데이터의 계보를 추적할 수도 있습니다. 여기에서 업로드된 데이터셋을 사용한 모든 실험을 보여주는 그래프를 확인할 수 있습니다.

학습 실행 재개#

인터넷 연결 끊김 등으로 인해 학습 실행이 중단된 경우, resume 플래그와 Comet Run Path를 사용하여 실행을 재개할 수 있습니다.

실행 경로(Run Path)는 comet://<your workspace name>/<your project name>/<experiment id> 형식을 가집니다.

이렇게 하면 체크포인트에서 모델을 복원하고, 모든 하이퍼파라미터 및 학습 인수를 복원하며, 원본 실행에서 사용된 경우 Comet 데이터셋 Artifact를 다운로드하는 등 중단 전 상태로 실행이 복원됩니다. 재개된 실행은 Comet UI의 기존 실험에 계속 기록됩니다.

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

Comet Optimizer를 사용한 하이퍼파라미터 검색#

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

Optimizer 스윕 구성#

Comet Optimizer를 구성하려면 스윕에 대한 정보가 포함된 JSON 파일을 생성해야 합니다.

예제 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 허용합니다. 스윕에 추가 인수를 전달하려면 스크립트 뒤에 추가하기만 하면 됩니다.

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

스윕 병렬 실행#

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

Comet은 스윕 결과를 시각화하는 다양한 방법을 제공합니다. 스윕이 완료된 프로젝트를 여기에서 확인해 보세요:

계속 소통하기#

Comet과의 통합을 사용하여 학습 실행부터 프로덕션 모니터링에 이르기까지 YOLOv5 모델을 관리, 시각화, 최적화해 보세요.

그리고 물론, YOLOv5 학습, 검증, 배포에 대한 질문을 하고 팁을 공유할 수 있는 공간인 Ultralytics Community에 참여하세요.