Ultralytics YOLOv5 Comet ile Nasıl Kullanılır

Ultralytics'te, YOLOv5 gibi harika açık kaynaklı araçlarımızın araştırma ve geliştirmesini finanse etmemize yardımcı olmak ve bunları herkes için ücretsiz tutmak için ticari olarak diğer girişimlerle ortaklık yapıyoruz. Bu makale, bu ortaklara bağlı bağlantılar içerebilir.

En yeni iş ortağımız Comet, veri bilimcilerin, mühendislerin ve ekip liderlerinin makine öğrenimi ve derin öğrenme modellerini hızlandırmasına ve optimize etmesine yardımcı olan araçlar geliştiriyor.

Comet, modellerinizi, veri kümelerinizi ve metriklerinizi izlemek için güçlü bir araçtır. Her çalıştırmada tekrarlanabilirlik ve sorunsuz hata ayıklama sağlamak için sisteminizi ve ortam değişkenlerinizi bile günlüğe kaydeder. Hangi notları tutması gerektiğini sihirli bir şekilde bilen sanal bir asistana sahip olmak gibi. Model metriklerini gerçek zamanlı olarak takip edin ve görselleştirin, hiperparametrelerinizi, veri kümelerinizi ve model kontrol noktalarınızı kaydedin ve Comet Özel Panelleri ile model tahminlerinizi görselleştirin!

Ayrıca Comet, çalışmalarınızın kaydını asla kaybetmemenizi sağlar ve sonuçları paylaşmayı ve her büyüklükteki ekipler arasında işbirliği yapmayı kolaylaştırır!

YOLOv5, bilgisayarla görme yolculuğunuz için harika bir başlangıç noktasıdır. Modelinizin performansını iyileştirmek ve üretime hazır hale getirmek için sonuçları Comet gibi bir deney izleme aracında kaydetmeniz gerekir.

Comet ve YOLOv5 entegrasyonu 3 ana özellik sunmaktadır:

• Otomatik günlük kaydı ve özel günlük kaydı özellikleri
• Hata ayıklama ve yeniden üretilebilirlik için veri kümelerini ve modelleri artifakt olarak kaydetme
• Comet'in özel panelleri ile görünümünüzü düzenleme

Bu kılavuz, YOLOv5'in Comet ile nasıl kullanılacağını ele alacaktır.

Peki, deneylerinizi gerçek zamanlı olarak takip etmeye hazır mısınız? Hadi başlayalım!

Başlarken

1. Comet'i yükleyin

Pip comet_ml yükleyin

2. Comet Kimlik Bilgilerini Yapılandırma

Comet'i YOLOv5 ile yapılandırmanın iki yolu vardır.

Kimlik bilgilerinizi ortam değişkenleri aracılığıyla ayarlayabilir ya da çalışma dizininizde bir .comet.config dosyası oluşturabilir ve kimlik bilgilerinizi burada ayarlayabilirsiniz.

Ortam Değişkenleri

export COMET_API_KEY=export COMET_PROJECT_NAME= # Bu varsayılan olarak 'yolov5' olacaktır

Comet Yapılandırma Dosyası

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

3. Eğitim Komut Dosyasını Çalıştırın

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

Bu kadar!

Comet hiperparametrelerinizi, komut satırı argümanlarınızı, eğitim ve doğrulama metriklerinizi otomatik olarak günlüğe kaydeder. Çalışmalarınızı Comet kullanıcı arayüzünde görselleştirebilir ve analiz edebilirsiniz.

Kendiniz Deneyin!

Tamamlanmış bir çalışma örneğine buradan göz atın.

Ya da daha iyisi, bu Colab Notebook'ta kendiniz deneyin.

Otomatik Günlük

Varsayılan olarak, Comet aşağıdaki öğeleri günlüğe kaydeder:

Metrikler

• Eğitim ve doğrulama verileri için Kutu Kaybı, Nesne Kaybı ve Sınıflandırma Kaybı
• mAP_0.5, mAP_0.5:0.95 doğrulama verileri için metrikler
• Doğrulama verileri için Kesinlik ve Geri Çağırma

Parametreler

• Model Hiperparametreleri
• Komut satırı seçenekleri aracılığıyla aktarılan tüm parametreler

Görselleştirmeler

• Doğrulama verileri üzerindeki model tahminlerinin karışıklık matrisi
• Tüm sınıflarda PR ve F1 eğrileri için grafikler
• Sınıf Etiketlerinin Korelogramı

Comet Günlüğünü Yapılandırma

Comet, eğitim komut dosyasına aktarılan komut satırı bayrakları veya ortam değişkenleri aracılığıyla ek verileri günlüğe kaydedecek şekilde yapılandırılabilir.

export COMET_MODE=online # Comet'in 'çevrimiçi' veya 'çevrimdışı' modda çalıştırılıp çalıştırılmayacağını ayarlayın. Defaults to onlineexport COMET_MODEL_NAME= #Kaydedilen modelin adını ayarlayın. Defaults to yolov5export COMET_LOG_CONFUSION_MATRIX=false # Comet Karışıklık Matrisini günlüğe kaydetmeyi devre dışı bırakmak için ayarlayın. Defaults to trueexport COMET_MAX_IMAGE_UPLOADS= # Comet'e kaç tane toplam görüntü tahmini kaydedileceğini kontrol eder. Defaults to 100.export COMET_LOG_PER_CLASS_METRICS=true # Eğitimin sonunda tespit edilen her sınıf için değerlendirme metriklerini günlüğe kaydetmek üzere ayarlanır. Defaults to falseexport COMET_DEFAULT_CHECKPOINT_FILENAME= # Eğitime farklı bir kontrol noktasından devam etmek istiyorsanız bunu ayarlayın. Defaults to 'last.pt'export COMET_LOG_BATCH_LEVEL_METRICS=true # Eğitim ölçümlerini toplu iş düzeyinde günlüğe kaydetmek istiyorsanız bunu ayarlayın. Varsayılan değer false.export COMET_LOG_PREDICTIONS=true # Model tahminlerini günlüğe kaydetmeyi devre dışı bırakmak için bunu false olarak ayarlayın

Comet ile Kontrol Noktalarının Kaydedilmesi

Modelleri Comet'e kaydetme varsayılan olarak devre dışıdır. Bunu etkinleştirmek için eğitim betiğine save-period argümanını iletin. Bu, kaydedilen kontrol noktalarını save-period tarafından sağlanan aralık değerine göre Comet'e kaydedecektir.

python train.py \

--img 640 \

--batch 16 \

--epochs 5 \

--data coco128.yaml \

--weights yolov5s.pt \

--save-period 1

Günlük Modeli Tahminleri

Varsayılan olarak, model tahminleri (görüntüler, temel gerçek etiketleri ve sınırlayıcı kutular) Comet'e kaydedilecektir. Günlüğe kaydedilen tahminlerin ve ilişkili görüntülerin sıklığını bbox_interval komut satırı bağımsız değişkenini geçerek kontrol edebilirsiniz. Tahminler Comet'in Nesne Algılama Özel Paneli kullanılarak görselleştirilebilir. Bu sıklık, dönem başına her N'inci veri grubuna karşılık gelir. Aşağıdaki örnekte, her dönem için her 2. veri grubunu günlüğe kaydediyoruz.

Not: YOLOv5 doğrulama veri yükleyicisi varsayılan olarak 32'lik bir yığın boyutuna sahip olacaktır, bu nedenle günlük kaydı sıklığını buna göre ayarlamanız gerekecektir.

İşte Panel'i kullanan örnek bir proje.

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

Comet'e Kaydedilen Tahmin Görüntülerinin Sayısını Kontrol Etme

YOLOv5'ten tahminleri günlüğe kaydederken, Comet her bir tahmin setiyle ilişkili görüntüleri günlüğe kaydeder. Varsayılan olarak, en fazla 100 doğrulama görüntüsü günlüğe kaydedilir. COMET_MAX_IMAGE_UPLOADS ortam değişkenini kullanarak bu sayıyı artırabilir veya azaltabilirsiniz.

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

Sınıf Seviyesi Metriklerini Günlüğe Kaydetme

Her sınıf için mAP, precision, recall ve f1 değerlerini günlüğe kaydetmek için COMET_LOG_PER_CLASS_METRICS ortam değişkenini kullanın.

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

Comet Artifacts'a Veri Kümesi Yükleme

Verilerinizi Comet Artifacts kullanarak saklamak isterseniz, bunu upload_dataset bayrağını kullanarak yapabilirsiniz.

Veri kümesi, YOLOv5 belgelerinde açıklanan şekilde düzenlenir. Veri kümesi yapılandırma yaml dosyası coco128.yaml dosyasıyla aynı biçimi izlemelidir.

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

Yüklenen veri kümesini Comet Çalışma Alanınızdaki Eserler sekmesinde bulabilirsiniz

Verileri doğrudan Comet kullanıcı arayüzünde önizleyebilirsiniz.

Eserler sürümlendirilir ve ayrıca veri kümesi hakkında meta veri eklemeyi destekler. Comet, veri kümesi yaml dosyanızdaki meta verileri otomatik olarak günlüğe kaydedecektir.

Kaydedilmiş Bir Eseri Kullanma

Comet Artifacts'ten bir veri kümesi kullanmak istiyorsanız, veri kümesi yaml dosyanızdaki yol değişkenini aşağıdaki Artifact kaynak URL'sine işaret edecek şekilde ayarlayın.

# artifact.yaml dosyasının içeriği yol: "comet:///:"

Daha sonra bu dosyayı eğitim betiğinize aşağıdaki şekilde aktarın:

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

Eserler aynı zamanda Deneme iş akışınız boyunca akan veri akışını izlemenize de olanak tanır. Burada, yüklediğiniz veri kümesini kullanan tüm deneyleri gösteren bir grafik görebilirsiniz.

‍

Antrenman Koşusuna Devam Etmek

Eğitim koşunuz herhangi bir nedenle kesintiye uğrarsa, örneğin internet bağlantınız kesilirse, devam bayrağını ve Comet Run Path'i kullanarak koşuya devam edebilirsiniz.

Çalışma Yolu aşağıdaki biçime sahiptir comet:////.

Bu, modeli bir kontrol noktasından geri yüklemeyi, tüm hiperparametreleri ve eğitim argümanlarını geri yüklemeyi ve orijinal çalışmada kullanılmışlarsa Comet veri kümesi Artefaktlarını indirmeyi içeren çalışmayı kesintiden önceki durumuna geri yükleyecektir. Yeniden başlatılan çalıştırma, Comet kullanıcı arayüzündeki mevcut Deneye günlük tutmaya devam edecektir.

python train.py \--resume "comet://"

Comet Optimizer ile Hiperparametre Arama

YOLOv5 ayrıca Comet'in Optimizer'ı ile entegre edilmiştir ve Comet kullanıcı arayüzünde hiperparametre taramalarını görselleştirmeyi kolaylaştırır.

Optimize Edici Taramasını Yapılandırma

Comet Optimizer'ı yapılandırmak için, tarama ile ilgili bilgileri içeren bir JSON dosyası oluşturmanız gerekecektir.

Örnek bir dosya şurada verilmiştir:

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

hpo.py betiği train.py ile aynı argümanları kabul eder. Süpürme işleminize ek argümanlar aktarmak isterseniz bunları betikten sonra eklemeniz yeterlidir.

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

Bir Taramayı Paralel Çalıştırma

comet optimizer -j utils/loggers/comet/hpo.py \utils/loggers/comet/optimizer_config.json"

Comet, taramanızın sonuçlarını görselleştirmek için birçok yol sunar. Tamamlanmış bir taramaya sahip bir projeye buradan göz atın:

‍

İletişimde Kalın

Eğitim çalışmalarından üretim izlemeye kadar YOLOv5 modellerinizi yönetmek, görselleştirmek ve optimize etmek için Comet ile entegrasyonumuzu kullanmaya başlayın.

Ve elbette, YOLOv5 eğitimi, doğrulaması ve dağıtımı hakkında sorular sorabileceğiniz ve ipuçları paylaşabileceğiniz Ultralytics Topluluğuna katılın.

‍