YOLO26 mit ClearML trainieren: Deinen MLOps-Workflow optimieren#

MLOps schließt die Lücke zwischen der Erstellung und Bereitstellung von Machine-Learning-Modellen in realen Umgebungen. Der Fokus liegt auf einer effizienten Bereitstellung, Skalierbarkeit und laufenden Verwaltung, damit die Modelle in praktischen Anwendungen zuverlässig funktionieren.

Ultralytics YOLO26 lässt sich nahtlos in ClearML integrieren und optimiert und verbessert so das Training und die Verwaltung deines Objekterkennungsmodells. Dieser Leitfaden 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, Machine-Learning-Workflows zu automatisieren, zu überwachen und zu orchestrieren. Zu den wichtigsten Funktionen gehören die automatische Protokollierung aller Trainings- und Inferenzdaten für eine vollständige 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 mit ClearML trainieren#

Durch die Integration von YOLO26 in ClearML bringst du Automatisierung und Effizienz in deinen Machine-Learning-Workflow und verbesserst deinen Trainingsprozess.

Installation#

Führe zur Installation der erforderlichen Pakete Folgendes aus:

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

Ausführliche Anweisungen und bewährte Verfahren zur Installation findest du in unserem YOLO26-Installationsleitfaden. Wenn du bei der Installation der für YOLO26 erforderlichen Pakete auf Schwierigkeiten stößt, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.

ClearML konfigurieren#

Nachdem du die erforderlichen Pakete installiert hast, besteht der nächste Schritt darin, dein ClearML SDK zu initialisieren und zu konfigurieren. Dazu richtest du dein ClearML-Konto ein und beschaffst die erforderlichen Zugangsdaten für eine reibungslose Verbindung zwischen deiner Entwicklungsumgebung und dem ClearML-Server.

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

# Initialize your ClearML SDK setup process
clearml-init

Rufe nach der Ausführung dieses Befehls die ClearML-Einstellungsseite auf. Navigiere zur oberen rechten Ecke und wähle „Settings“. Öffne den Abschnitt „Workspace“ und klicke auf „Create new credentials“. Verwende die im Pop-up-Fenster „Create Credentials“ bereitgestellten Zugangsdaten, um die Einrichtung wie beschrieben abzuschließen – je nachdem, ob du ClearML in einem Jupyter Notebook oder einer lokalen Python-Umgebung konfigurierst.

Verwendung#

Bevor du mit den Nutzungsanweisungen beginnst, sieh dir unbedingt die Auswahl an YOLO26-Modellen von Ultralytics an. So kannst du das für deine Projektanforderungen am besten geeignete Modell auswählen.

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. Beim Start des Trainings erstellt er eine Aufgabe, verwendet die YOLO-Argumente project und name für die Namen des ClearML-Projekts und der Aufgabe und übernimmt die Trainingsargumente automatisch. Führe yolo settings clearml=False aus, um die Integration zu deaktivieren. Informationen zu Trainingsoptionen und bewährten Verfahren findest du im YOLO26-Leitfaden zum Modelltraining.

Die Ausgabe verstehen#

Nach der Ausführung des obigen Codeausschnitts kannst du folgende Ausgabe erwarten:

• Eine Bestätigungsmeldung, die die Erstellung einer neuen ClearML-Aufgabe einschließlich ihrer eindeutigen ID anzeigt.
• Eine Informationsmeldung darüber, dass der Skriptcode gespeichert wurde und die Codeausführung von ClearML nachverfolgt wird.
• Einen URL-Link zur ClearML-Ergebnisseite, auf der du den Trainingsfortschritt überwachen und detaillierte Protokolle anzeigen kannst.
• Den 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 Präzision (AMP) und die Vorbereitung des Datensatzes.
• Anschließend beginnt der Trainingsprozess, wobei Fortschrittsaktualisierungen angezeigt werden, während das Modell auf dem angegebenen Datensatz trainiert wird. Eine ausführliche Erläuterung der während des Trainings verwendeten Leistungsmetriken findest du in unserem Leitfaden zu Leistungsmetriken.

Die ClearML-Ergebnisseite anzeigen#

Wenn du im Ausgabetext des Codeausschnitts auf den URL-Link zur ClearML-Ergebnisseite klickst, erhältst du eine umfassende Übersicht über den Trainingsprozess deines Modells.

Wichtige Funktionen der ClearML-Ergebnisseite#

• Metriken in Echtzeit verfolgen

  • Verfolge wichtige Metriken wie Verlust, Genauigkeit und Validierungswerte während ihrer Entstehung.
  • Liefert sofortiges Feedback für zeitnahe Anpassungen der Modellleistung.

• Experimente vergleichen

  • Vergleiche verschiedene Trainingsläufe direkt nebeneinander.
  • Unverzichtbar für die Abstimmung von Hyperparametern und die Ermittlung der leistungsfähigsten Modelle.

• Detaillierte Protokolle und Ausgaben

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

• Überwachung der Ressourcennutzung

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

• Verwaltung von Modellartefakten

  • Zeige Modellartefakte wie trainierte Modelle und Checkpoints an, lade sie herunter und teile sie.
  • Verbessert die Zusammenarbeit und vereinfacht die Bereitstellung von Modellen sowie deren gemeinsame Nutzung.

Eine visuelle Einführung in das Aussehen der ClearML-Ergebnisseite findest du im folgenden Video:

Erweiterte Funktionen in ClearML#

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

Remote-Ausführung#

Die Remote-Ausführungsfunktion von ClearML erleichtert die Reproduktion und Bearbeitung von Experimenten auf verschiedenen Rechnern. Sie protokolliert wichtige Details wie installierte Pakete und nicht übertragene Änderungen. Wenn eine Aufgabe in die Warteschlange gestellt wird, ruft der ClearML Agent sie ab, stellt die Umgebung wieder her, führt das Experiment aus und meldet detaillierte Ergebnisse zurück.

Die Bereitstellung eines ClearML Agent ist unkompliziert und kann mit dem folgenden Befehl auf verschiedenen Rechnern erfolgen:

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

Diese Einrichtung eignet sich für Cloud-VMs, lokale GPUs oder Laptops. ClearML Autoscaler helfen bei der Verwaltung von Cloud-Workloads auf Plattformen wie AWS, GCP und Azure, indem sie die Bereitstellung von Agents automatisieren und Ressourcen auf Grundlage deines Ressourcenbudgets anpassen.

Klonen, Bearbeiten und Einreihen#

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

Verwaltung von Datensatzversionen#

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

• Deine Datensätze unabhängig vom Code versionieren
• Nachverfolgen, welche Datensatzversion für jedes Experiment verwendet wurde
• Einfach auf die neueste Datensatzversion zugreifen und sie herunterladen

Führe zur Vorbereitung deines Datensatzes für ClearML die folgenden Schritte aus:

1. Organisiere deinen Datensatz in der standardmäßigen 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 .

Mit diesem Befehl wird ein versionierter Datensatz in ClearML erstellt, auf den in deinen Trainingsskripten verwiesen werden kann. So werden Reproduzierbarkeit und einfacher Zugriff auf deine Daten gewährleistet.

Zusammenfassung#

Dieser Leitfaden 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 Workflows in deinen Machine-Learning-Projekten einsetzen kannst.

Weitere Informationen zur Nutzung findest du im offiziellen YOLOv8-Integrationsleitfaden von ClearML, der auch für YOLO26-Workflows gilt.

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics auf der Ultralytics-Seite mit Integrationsleitfäden, die eine Fülle an Ressourcen und Einblicken bietet.

FAQ#