Link to this sectionTraining von YOLO26 mit ClearML: Deine MLOps-Workflows optimieren#

MLOps schließt die Lücke zwischen der Erstellung und dem Einsatz von machine learning-Modellen in realen Umgebungen. Es konzentriert sich auf effiziente Bereitstellung, Skalierbarkeit und kontinuierliche Verwaltung, um sicherzustellen, dass Modelle in praktischen Anwendungen gut funktionieren.

Ultralytics YOLO26 lässt sich mühelos in ClearML integrieren, was das Training und die Verwaltung deines object detection-Modells rationalisiert und verbessert. Diese Anleitung führt dich durch den Integrationsprozess und erläutert, wie du ClearML einrichtest, Experimente verwaltest, das Modellmanagement automatisierst und effektiv zusammenarbeitest.

Link to this sectionClearML#

ClearML ist eine innovative Open-Source-MLOps-Plattform, die geschickt darauf ausgelegt ist, Machine-Learning-Workflows zu automatisieren, zu überwachen und zu orchestrieren. Zu den Hauptfunktionen gehören die automatisierte Protokollierung aller Trainings- und Inferenzdaten für eine vollständige Reproduzierbarkeit von Experimenten, eine intuitive Weboberfläche für einfache data visualization und Analyse, fortschrittliche optimization algorithms für Hyperparameter sowie ein robustes Modellmanagement für eine effiziente Bereitstellung auf verschiedenen Plattformen.

Link to this sectionYOLO26-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.

Link to this sectionInstallation#

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 zur Installation findest du in unserer YOLO26 Installation guide. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Common Issues guide für Lösungen und Tipps.

Link to this sectionKonfiguration 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 mit der Initialisierung des ClearML SDK in deiner Umgebung. Der Befehl clearml-init startet den Einrichtungsprozess und fragt dich nach den notwendigen Anmeldedaten.

# Initialize your ClearML SDK setup process
clearml-init

Nachdem du diesen Befehl ausgeführt hast, besuche die ClearML Settings page. Navigiere zur oberen rechten Ecke und wähle "Settings". Gehe zum Abschnitt "Workspace" und klicke auf "Create new credentials". Verwende die im "Create Credentials"-Pop-up bereitgestellten Anmeldedaten, um die Einrichtung wie angewiesen abzuschließen, je nachdem, ob du ClearML in einem Jupyter Notebook oder einer lokalen Python-Umgebung konfigurierst.

Link to this sectionVerwendung#

Bevor du dich in die Anleitungen zur Nutzung stürzt, schau dir unbedingt die Auswahl der YOLO26 models offered by Ultralytics an. Dies hilft dir dabei, das am besten geeignete Modell für deine Projektanforderungen auszuwählen.

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 Model
model = YOLO(f"{model_variant}.pt")

# Step 4: Setting Up Training Arguments
args = dict(data="coco8.yaml", epochs=16)
task.connect(args)

# Step 5: Initiating Model Training
results = model.train(**args)

Link to this sectionDen Code verstehen#

Lass uns die Schritte verstehen, die im oben gezeigten Code-Snippet zur Nutzung dargestellt werden.

Schritt 1: Erstellen einer ClearML-Aufgabe: Eine neue Aufgabe wird in ClearML initialisiert, wobei Projekt- und Aufgabennamen festgelegt werden. Diese Aufgabe verfolgt und verwaltet das Training deines Modells.

Schritt 2: Auswahl des YOLO26-Modells: Die Variable model_variant wird auf 'yolo26n' gesetzt, eines der YOLO26-Modelle. Diese Variante wird dann in ClearML zum Tracking protokolliert.

Schritt 3: Laden des YOLO26-Modells: Das ausgewählte YOLO26-Modell wird mit der YOLO-Klasse von Ultralytics geladen und für das Training vorbereitet.

Schritt 4: Einrichten von Trainingsargumenten: Wichtige Trainingsargumente wie der Datensatz (coco8.yaml) und die Anzahl der epochs (16) werden in einem Dictionary organisiert und mit der ClearML-Aufgabe verknüpft. Dies ermöglicht das Tracking und die potenzielle Änderung über die ClearML-UI. Für ein detailliertes Verständnis des Modelltrainingsprozesses und Best Practices, siehe unseren YOLO26 Model Training guide.

Schritt 5: Initiierung des Modelltrainings: Das Modelltraining wird mit den angegebenen Argumenten gestartet. Die Ergebnisse des Trainingsprozesses werden in der Variablen results erfasst.

Link to this sectionDie 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.
• Initialisierungsnachrichten für verschiedene Trainingskomponenten wie TensorBoard, automatische Mixed Precision (AMP) und Datensatzvorbereitung.
• Schließlich beginnt der Trainingsprozess mit Fortschrittsaktualisierungen, während das Modell auf dem angegebenen Datensatz trainiert wird. Für ein tiefgreifendes Verständnis der während des Trainings verwendeten Leistungsmetriken, lies our guide on performance metrics.

Link to this sectionAnsehen 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.

Link to this sectionHauptfunktionen der ClearML-Ergebnisseite#

• Echtzeit-Metrik-Tracking

  • Verfolge kritische Metriken wie Verlust, accuracy und Validierungswerte, sobald sie auftreten.
  • Bietet unmittelbares Feedback für rechtzeitige Anpassungen der Modellleistung.

• Experiment-Vergleich

  • Vergleiche verschiedene Trainingsläufe direkt nebeneinander.
  • Unerlässlich 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 rationalisiert model deployment sowie den Austausch.

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

Link to this sectionErweiterte Funktionen in ClearML#

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

Link to this sectionRemote-Ausführung#

Die Remote-Ausführungsfunktion von ClearML erleichtert die Reproduktion und Manipulation von Experimenten auf verschiedenen Maschinen. Sie protokolliert wichtige Details wie installierte Pakete und nicht committete Änderungen. Wenn eine Aufgabe in die Warteschlange gestellt wird, zieht sie der ClearML Agent, stellt die Umgebung wieder her, führt das Experiment aus und berichtet mit detaillierten Ergebnissen 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]

Diese Einrichtung ist für Cloud-VMs, lokale GPUs oder Laptops anwendbar. ClearML Autoscalers helfen dabei, Cloud-Workloads auf Plattformen wie AWS, GCP und Azure zu verwalten, die Bereitstellung von Agenten zu automatisieren und Ressourcen basierend auf deinem Ressourcenbudget anzupassen.

Link to this sectionKlonen, 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.

Link to this sectionDatensatz-Versionsverwaltung#

ClearML bietet auch leistungsstarke dataset version management-Funktionen, die nahtlos in YOLO26-Trainingsworkflows integriert sind. Diese Funktion ermöglicht es 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.

Link to this sectionZusammenfassung#

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.

Für weitere Details zur Nutzung besuche ClearML's official YOLOv8 integration guide, der auch für YOLO26-Workflows gilt.

Entdecke zusätzlich weitere Integrationen und Fähigkeiten von Ultralytics, indem du die Ultralytics integration guide page besuchst, die eine Fundgrube an Ressourcen und Erkenntnissen ist.

Link to this sectionFAQ#

Link to this sectionWas ist der Prozess zur Integration von Ultralytics YOLO26 mit ClearML?#

Die Integration von Ultralytics YOLO26 mit ClearML umfasst eine Reihe von Schritten, um deinen MLOps-Workflow zu optimieren. Installiere zuerst die notwendigen Pakete:

pip install ultralytics clearml

Initialisiere anschließend das ClearML SDK in deiner Umgebung mit:

clearml-init

Du konfigurierst dann ClearML mit deinen Anmeldedaten von der ClearML Settings page. Detaillierte Anweisungen zum gesamten Einrichtungsprozess, einschließlich Modellauswahl und Trainingskonfigurationen, findest du in unserem YOLO26 Model Training guide.

Link to this sectionWarum sollte ich ClearML mit Ultralytics YOLO26 für meine Machine-Learning-Projekte verwenden?#

Die Verwendung von ClearML mit Ultralytics YOLO26 verbessert deine Machine-Learning-Projekte durch Automatisierung des Experiment-Trackings, Rationalisierung von Workflows und Ermöglichung eines robusten Modellmanagements. ClearML bietet Echtzeit-Metrik-Tracking, Überwachung der Ressourcennutzung und eine benutzerfreundliche Oberfläche zum Vergleich von Experimenten. Diese Funktionen helfen, die Leistung deines Modells zu optimieren und den Entwicklungsprozess effizienter zu gestalten. Erfahre mehr über die Vorteile und Vorgehensweisen in unserem MLOps Integration guide.

Link to this sectionWie behebe ich häufige Probleme während der Integration von YOLO26 und ClearML?#

Wenn du während der Integration von YOLO26 mit ClearML auf Probleme stößt, konsultiere unseren Common Issues guide für Lösungen und Tipps. Typische Probleme können Fehler bei der Paketinstallation, bei der Einrichtung der Anmeldedaten oder Konfigurationsprobleme sein. Dieser Leitfaden bietet Schritt-für-Schritt-Anleitungen zur Fehlerbehebung, um diese häufigen Probleme effizient zu lösen.

Link to this sectionWie richte ich die ClearML-Aufgabe für das Training des YOLO26-Modells ein?#

Das Einrichten einer ClearML-Aufgabe für das YOLO26-Training umfasst das Initialisieren einer Aufgabe, das Auswählen der Modellvariante, das Laden des Modells, das Einrichten der Trainingsargumente und schließlich das Starten des Modelltrainings. Hier ist ein vereinfachtes Beispiel:

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 Model
model = YOLO(f"{model_variant}.pt")

# Step 4: Setting Up Training Arguments
args = dict(data="coco8.yaml", epochs=16)
task.connect(args)

# Step 5: Initiating Model Training
results = model.train(**args)

Siehe unseren Usage guide für eine detaillierte Aufschlüsselung dieser Schritte.

Link to this sectionWo kann ich die Ergebnisse meines YOLO26-Trainings in ClearML einsehen?#

Nachdem du dein YOLO26-Trainingsskript mit ClearML ausgeführt hast, kannst du die Ergebnisse auf der ClearML-Ergebnisseite einsehen. Die Ausgabe enthält einen URL-Link zum ClearML-Dashboard, wo du Metriken verfolgen, Experimente vergleichen und die Ressourcennutzung überwachen kannst. Weitere Details dazu, wie du die Ergebnisse anzeigst und interpretierst, findest du in unserem Abschnitt unter Viewing the ClearML Results Page.