YOLO26 mit ClearML trainieren: Deinen MLOps-Arbeitsablauf optimieren#

MLOps schließt die Lücke zwischen der Entwicklung und dem Einsatz von maschinellen Lernmodellen in der Praxis. Im Mittelpunkt stehen eine effiziente Bereitstellung, Skalierbarkeit und die laufende Verwaltung, damit die Modelle in praktischen Anwendungen zuverlässig funktionieren.

Ultralytics YOLO26 lässt sich nahtlos in ClearML integrieren und vereinfacht und verbessert so das Training und die Verwaltung deines Objekterkennungsmodells. Diese Anleitung führt dich durch den Integrationsprozess und erläutert, wie du ClearML einrichtest, Experimente verwaltest, die Modellverwaltung automatisierst und effektiv zusammenarbeitest.

ClearML#

ClearML ist eine innovative Open-Source-MLOps-Plattform, die darauf ausgelegt ist, Arbeitsabläufe für maschinelles Lernen zu automatisieren, zu überwachen und zu koordinieren. Zu den wichtigsten Funktionen zählen die automatische Protokollierung aller Trainings- und Inferenzdaten zur vollständigen Reproduzierbarkeit von Experimenten, eine intuitive Weboberfläche zur einfachen Datenvisualisierung und Analyse, fortschrittliche Optimierungsalgorithmen für Hyperparameter sowie eine leistungsfähige Modellverwaltung für die effiziente Bereitstellung auf verschiedenen Plattformen.

YOLO26-Training mit ClearML#

Du kannst deinen Arbeitsablauf für maschinelles Lernen automatisieren und effizienter gestalten, indem du YOLO26 in ClearML integrierst und so deinen Trainingsprozess verbesserst.

Installation#

Führe zum Installieren der erforderlichen Pakete Folgendes aus:

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

Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer YOLO26-Installationsanleitung. Falls bei der Installation der für YOLO26 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zu häufigen Problemen.

ClearML konfigurieren#

Nachdem du die erforderlichen Pakete installiert hast, initialisierst und konfigurierst du als Nächstes das ClearML SDK. Dazu richtest du dein ClearML-Konto ein und beschaffst die erforderlichen Zugangsdaten, damit sich deine Entwicklungsumgebung nahtlos mit dem ClearML-Server verbinden kann.

Initialisiere zunächst das ClearML SDK in deiner Umgebung. Der Befehl clearml-init startet die Einrichtung und fordert dich zur Eingabe der erforderlichen Zugangsdaten auf.

# Initialize your ClearML SDK setup process
clearml-init

Rufe nach Ausführung dieses Befehls die ClearML-Einstellungsseite auf. Navigiere zur oberen rechten Ecke und wähle „Settings“ aus. Öffne den Bereich „Workspace“ und klicke auf „Create new credentials“. Verwende die Zugangsdaten aus dem Pop-up „Create Credentials“, um die Einrichtung wie beschrieben abzuschließen. Die genauen Schritte hängen davon ab, ob du ClearML in einem Jupyter Notebook oder in einer lokalen Python-Umgebung konfigurierst.

Verwendung#

Bevor du mit den Anwendungshinweisen beginnst, solltest du dir die verschiedenen YOLO26-Modelle von Ultralytics ansehen. So findest du das Modell, das am besten zu den Anforderungen deines Projekts passt.

from ultralytics import YOLO

# Der Callback erstellt die ClearML-Aufgabe automatisch und stellt eine Verbindung her
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, wird der Callback standardmäßig aktiviert. Beim Trainingsstart erstellt er eine Aufgabe, verwendet die YOLO-Argumente project und name als Namen für das ClearML-Projekt und die Aufgabe und übermittelt die Trainingsargumente automatisch. Führe yolo settings clearml=False aus, um die Integration zu deaktivieren. Trainingsoptionen und bewährte Vorgehensweisen findest du in der Anleitung zum YOLO26-Modelltraining.

Die Ausgabe verstehen#

Wenn du das obige Codebeispiel ausführst, wird folgende Ausgabe angezeigt:

• Eine Bestätigungsmeldung, dass eine neue ClearML-Aufgabe erstellt wurde, zusammen mit ihrer eindeutigen ID.
• Eine Informationsmeldung darüber, dass der Skriptcode gespeichert wurde und die Codeausführung von ClearML nachverfolgt wird.
• Ein URL-Link zur ClearML-Ergebnisseite, auf der du den Trainingsfortschritt überwachen und detaillierte Protokolle einsehen kannst.
• Der Downloadfortschritt für das YOLO26-Modell und den angegebenen Datensatz, gefolgt von einer Zusammenfassung der Modellarchitektur und der Trainingskonfiguration.
• Initialisierungsmeldungen für verschiedene Trainingskomponenten wie TensorBoard, automatische gemischte Genauigkeit (AMP) und die Vorbereitung des Datensatzes.
• Anschließend beginnt der Trainingsprozess, und Fortschrittsmeldungen zeigen, wie das Modell mit dem angegebenen Datensatz trainiert wird. Eine ausführliche Erklärung der während des Trainings verwendeten Leistungsmetriken findest du in unserer Anleitung zu Leistungsmetriken.

Die ClearML-Ergebnisseite ansehen#

Wenn du in der Ausgabe des Codebeispiels auf den URL-Link zur ClearML-Ergebnisseite klickst, erhältst du einen umfassenden Einblick in den Trainingsprozess deines Modells.

Wichtige Funktionen der ClearML-Ergebnisseite#

• Metriken in Echtzeit verfolgen

  • Verfolge wichtige Metriken wie Verlust, Genauigkeit und Validierungswerte, sobald sie ermittelt werden.
  • Ermöglicht unmittelbares Feedback, damit du die Modellleistung rechtzeitig anpassen kannst.

• Experimente vergleichen

  • Vergleiche verschiedene Trainingsläufe direkt miteinander.
  • Unverzichtbar für die Optimierung von Hyperparametern und um die leistungsfähigsten Modelle zu ermitteln.

• Detaillierte Protokolle und Ausgaben

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

• Ressourcennutzung überwachen

  • Überwache die Auslastung der Rechenressourcen, einschließlich CPU, GPU und Arbeitsspeicher.
  • Entscheidend für die Optimierung der Trainingseffizienz und der Kosten.

• Modellartefakte verwalten

  • Sieh dir Modellartefakte wie trainierte Modelle und Checkpoints an, lade sie herunter und teile sie.
  • Verbessert die Zusammenarbeit und vereinfacht die Modellbereitstellung und das Teilen von Modellen.

Im folgenden Video erhältst du einen visuellen Rundgang durch die ClearML-Ergebnisseite:

Erweiterte Funktionen in ClearML#

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

Remote-Ausführung#

Mit der Remote-Ausführungsfunktion von ClearML kannst du Experimente auf verschiedenen Rechnern reproduzieren und bearbeiten. Dabei werden wichtige Details wie installierte Pakete und nicht übernommene Änderungen protokolliert. Sobald eine Aufgabe in die Warteschlange gestellt wird, ruft der ClearML Agent sie ab, richtet die Umgebung neu ein, führt das Experiment aus und meldet detaillierte Ergebnisse zurück.

Ein ClearML Agent lässt sich ganz einfach mit dem folgenden Befehl auf verschiedenen Rechnern bereitstellen:

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

Diese Einrichtung eignet sich für Cloud-VMs, lokale GPUs oder Laptops. ClearML Autoscalers helfen dir, Cloud-Workloads auf Plattformen wie AWS, GCP und Azure zu verwalten. Sie automatisieren die Bereitstellung von Agents und passen die Ressourcen an dein Ressourcenbudget an.

Klonen, Bearbeiten und in die Warteschlange stellen#

Die benutzerfreundliche Oberfläche von ClearML ermöglicht das einfache Klonen, Bearbeiten und Einreihen von Aufgaben. Du kannst ein bestehendes Experiment klonen, Parameter oder andere Details über die Benutzeroberfläche anpassen und die Aufgabe zur Ausführung einreihen. Dieser optimierte Ablauf stellt sicher, dass der ClearML Agent die Aufgabe mit aktualisierten Konfigurationen ausführt. Damit eignet er sich ideal für iterative Experimente und die Feinabstimmung von Modellen.

Verwaltung von Datensatzversionen#

ClearML bietet außerdem leistungsstarke Funktionen zur Verwaltung von Datensatzversionen, die sich nahtlos in YOLO26-Trainingsabläufe integrieren. Mit dieser Funktion kannst du:

• Datensatzversionen unabhängig von deinem Code verwalten
• Nachverfolgen, welche Datensatzversion für jedes Experiment verwendet wurde
• Einfach auf die neueste Datensatzversion zugreifen und sie herunterladen

Bereite deinen Datensatz für ClearML mit den folgenden Schritten vor:

1. Strukturiere deinen Datensatz nach dem üblichen YOLO-Schema (Bilder, Labels usw.)

2. Kopiere die zugehörige 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 .

Mit diesem Befehl wird in ClearML ein versionierter Datensatz erstellt, auf den du in deinen Trainingsskripten verweisen kannst. So sind die Reproduzierbarkeit und der einfache Zugriff auf deine Daten gewährleistet.

Zusammenfassung#

Diese Anleitung hat dich durch die Integration von ClearML in Ultralytics YOLO26 geführt. Von der Ersteinrichtung bis zur erweiterten Modellverwaltung hast du erfahren, wie du ClearML für effizientes Training, die Nachverfolgung von Experimenten und die Optimierung von Abläufen in deinen Machine-Learning-Projekten einsetzen kannst.

Weitere Informationen zur Verwendung findest du in der offiziellen YOLOv8-Integrationsanleitung von ClearML, die auch für YOLO26-Abläufe gilt.

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Ultralytics-Seite mit Integrationsanleitungen, einer umfassenden Sammlung von Ressourcen und Einblicken.

Häufig gestellte Fragen#