Training von YOLO26 mit ClearML: Deine MLOps-Workflows optimieren#

MLOps schließt die Lücke zwischen der Erstellung und der Bereitstellung von machine learning-Modellen in realen Umgebungen. Es konzentriert sich auf effizientes Deployment, Skalierbarkeit und kontinuierliches Management, um sicherzustellen, dass Modelle in praktischen Anwendungen eine gute Leistung erbringen.

Ultralytics YOLO26 lässt sich mühelos in ClearML integrieren und optimiert sowie verbessert das Training und Management deines object detection-Modells. Diese Anleitung führt dich durch den Integrationsprozess und erklärt ausführlich, wie du ClearML einrichtest, Experimente verwaltest, das Modellmanagement automatisierst und effektiv zusammenarbeitest.

ClearML#

ClearML ist eine innovative Open-Source-MLOps-Plattform, die gezielt entwickelt wurde, um Workflows im Bereich des maschinellen Lernens zu automatisieren, zu überwachen und zu orchestrieren. Zu den wichtigsten Funktionen gehören die automatisierte Protokollierung aller Trainings- und Inferenzdaten für eine vollständige Reproduzierbarkeit von Experimenten, eine intuitive Web-Benutzeroberfläche für einfache data visualization und Analyse, fortschrittliche Hyperparameter-optimization algorithms sowie ein robustes Modellmanagement für ein effizientes Deployment auf verschiedenen Plattformen.

YOLO26-Training mit ClearML#

Du kannst Automatisierung und Effizienz in deinen Machine-Learning-Workflow bringen, indem du YOLO26 mit ClearML integrierst, um deinen Trainingsprozess zu verbessern.

Installation#

Um die erforderlichen Pakete zu installieren, führe aus:

# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearml

Detaillierte Anweisungen und Best Practices zum Installationsprozess findest du in unserer YOLO26 Installation guide. Solltest du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stoßen, schaue in unserem Common Issues guide nach Lösungen und Tipps.

Konfiguration von ClearML#

Sobald du die notwendigen Pakete installiert hast, besteht der nächste Schritt darin, dein ClearML SDK zu initialisieren und zu konfigurieren. Dies beinhaltet die Einrichtung deines ClearML-Kontos und den Erhalt der erforderlichen Anmeldedaten für eine nahtlose Verbindung zwischen deiner Entwicklungsumgebung und dem ClearML-Server.

Beginne damit, das ClearML SDK in deiner Umgebung zu initialisieren. Der Befehl clearml-init startet den Einrichtungsprozess und fordert dich zur Eingabe der erforderlichen Anmeldedaten auf.

# Initialize your ClearML SDK setup process
clearml-init

Besuche nach Ausführung dieses Befehls die ClearML Settings page. Gehe in die obere rechte Ecke und wähle „Settings“. Wechsle zum Bereich „Workspace“ und klicke auf „Create new credentials“. Verwende die im Popup-Fenster „Create Credentials“ bereitgestellten Anmeldedaten, um die Einrichtung wie beschrieben abzuschließen, je nachdem, ob du ClearML in einem Jupyter Notebook oder einer lokalen Python-Umgebung konfigurierst.

Verwendung#

Bevor du in die Nutzungshinweise eintauchst, solltest du dir unbedingt die Reihe der von Ultralytics angebotenen YOLO26-Modelle ansehen. Dies hilft dir dabei, das am besten geeignete Modell für deine Projektanforderungen auszuwählen.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Den Code verstehen#

Sobald ClearML installiert und konfiguriert ist, ist der Callback standardmäßig aktiviert. Er erstellt beim Start des Trainings einen Task, verwendet die Argumente YOLO project und name für die Namen von ClearML-Projekt und -Task und verbindet die Trainingsargumente automatisch. Führe yolo settings clearml=False aus, um die Integration zu deaktivieren. Trainingsoptionen und Best Practices findest du im YOLO26 Model Training guide.

Die Ausgabe verstehen#

Wenn du das obige Code-Snippet zur Nutzung ausführst, kannst du die folgende Ausgabe erwarten:

• Eine Bestätigungsnachricht, die die Erstellung einer neuen ClearML-Aufgabe zusammen mit ihrer eindeutigen ID anzeigt.
• Eine Informationsmeldung darüber, dass der Skriptcode gespeichert wurde, was darauf hinweist, dass die Codeausführung von ClearML verfolgt wird.
• Ein URL-Link zur ClearML-Ergebnisseite, wo du den Trainingsfortschritt überwachen und detaillierte Protokolle einsehen kannst.
• Download-Fortschritt für das YOLO26-Modell und den angegebenen Datensatz, gefolgt von einer Zusammenfassung der Modellarchitektur und der Trainingskonfiguration.
• Initialisierungsmeldungen für verschiedene Trainingskomponenten wie TensorBoard, Automatic Mixed Precision (AMP) und die Dataset-Vorbereitung.
• Schließlich beginnt der Trainingsprozess mit Fortschrittsmeldungen, während das Modell auf dem angegebenen Dataset trainiert wird. Ein tiefgehendes Verständnis der während des Trainings verwendeten Leistungsmetriken vermittelt our guide on performance metrics.

Ansehen der ClearML-Ergebnisseite#

Durch Klicken auf den URL-Link zur ClearML-Ergebnisseite in der Ausgabe des Code-Snippets erhältst du einen umfassenden Einblick in den Trainingsprozess deines Modells.

Hauptfunktionen der ClearML-Ergebnisseite#

• Echtzeit-Metrik-Tracking

  • Verfolge kritische Metriken wie Loss, accuracy und Validierungswerte in Echtzeit.
  • Bietet unmittelbares Feedback für rechtzeitige Anpassungen der Modellleistung.

• Experiment-Vergleich

  • Vergleiche verschiedene Trainingsläufe direkt nebeneinander.
  • Unverzichtbar für hyperparameter tuning und die Identifizierung der effektivsten Modelle.

• Detaillierte Protokolle und Ausgaben

  • Greife auf umfassende Protokolle, grafische Darstellungen von Metriken und Konsolenausgaben zu.
  • Gewinne ein tieferes Verständnis des Modellverhaltens und der Problemlösung.

• Überwachung der Ressourcennutzung

  • Überwache die Nutzung von Rechenressourcen, einschließlich CPU, GPU und Speicher.
  • Entscheidend für die Optimierung von Trainingseffizienz und Kosten.

• Verwaltung von Modell-Artefakten

  • Betrachte, lade herunter und teile Modell-Artefakte wie trainierte Modelle und Checkpoints.
  • Verbessert die Zusammenarbeit und vereinfacht das model deployment sowie die gemeinsame Nutzung.

Für einen visuellen Rundgang durch die ClearML-Ergebnisseite schau dir das Video unten an:

Erweiterte Funktionen in ClearML#

ClearML bietet verschiedene erweiterte Funktionen, um deine MLOps-Erfahrung zu verbessern.

Remote-Ausführung#

Die Remote-Ausführungsfunktion von ClearML erleichtert die Reproduktion und Bearbeitung von Experimenten auf verschiedenen Maschinen. Sie protokolliert wesentliche Details wie installierte Pakete und nicht committete Änderungen. Wenn ein Task in die Warteschlange eingereiht wird, ruft der ClearML Agent ihn ab, stellt die Umgebung wieder her, führt das Experiment aus und meldet detaillierte Ergebnisse zurück.

Die Bereitstellung eines ClearML Agent ist unkompliziert und kann auf verschiedenen Maschinen mit dem folgenden Befehl durchgeführt werden:

clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]

Dieses Setup ist für Cloud-VMs, lokale GPUs oder Laptops anwendbar. ClearML Autoscalers helfen bei der Verwaltung von Cloud-Workloads auf Plattformen wie AWS, GCP und Azure, indem sie die Bereitstellung von Agents automatisieren und Ressourcen basierend auf deinem Budget anpassen.

Klonen, Bearbeiten und Einreihen in die Warteschlange#

Die benutzerfreundliche Oberfläche von ClearML ermöglicht einfaches Klonen, Bearbeiten und Einreihen von Aufgaben. Benutzer können ein bestehendes Experiment klonen, Parameter oder andere Details über die UI anpassen und die Aufgabe zur Ausführung in die Warteschlange stellen. Dieser optimierte Prozess stellt sicher, dass der ClearML Agent, der die Aufgabe ausführt, aktualisierte Konfigurationen verwendet, was es ideal für iterative Experimente und Modell-Feinabstimmung macht.

Datensatz-Versionsverwaltung#

ClearML bietet zudem leistungsstarke Funktionen zur dataset version management, die sich nahtlos in YOLO26-Trainingsworkflows integrieren lassen. Diese Funktion ermöglicht dir:

• Deine Datensätze separat von deinem Code zu versionieren
• Nachzuverfolgen, welche Datensatzversion für jedes Experiment verwendet wurde
• Einfach auf die neueste Datensatzversion zuzugreifen und diese herunterzuladen

Um deinen Datensatz für ClearML vorzubereiten, befolge diese Schritte:

1. Organisiere deinen Datensatz mit der Standard-YOLO-Struktur (Bilder, Labels usw.)

2. Kopiere die entsprechende YAML-Datei in das Stammverzeichnis deines Datensatzordners

3. Lade deinen Datensatz mit dem ClearML Data-Tool hoch:

   cd your_dataset_folder
   clearml-data sync --project YOLO26 --name your_dataset_name --folder .

Dieser Befehl erstellt einen versionierten Datensatz in ClearML, auf den in deinen Trainingsskripten verwiesen werden kann, was Reproduzierbarkeit und einfachen Zugriff auf deine Daten gewährleistet.

Zusammenfassung#

Diese Anleitung hat dich durch den Prozess der Integration von ClearML mit dem YOLO26 von Ultralytics geführt. Von der Ersteinrichtung bis zum fortgeschrittenen Modellmanagement hast du entdeckt, wie du ClearML für effizientes Training, Experiment-Tracking und Workflow-Optimierung in deinen Machine-Learning-Projekten nutzen kannst.

Weitere Details zur Verwendung findest du in der ClearML's official YOLOv8 integration guide, die auch für YOLO26-Workflows gilt.

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Ultralytics integration guide page, die eine Fundgrube für Ressourcen und Einblicke ist.

FAQ#