Training von YOLO26 mit ClearML: Optimiere deinen MLOps-Workflow

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

Ultralytics YOLO26 lässt sich mühelos in ClearML integrieren, wodurch das Training und die Verwaltung deines Objekterkennungs-Modells optimiert und verbessert werden. Diese Anleitung führt dich durch den Integrationsprozess und beschreibt im Detail, wie du ClearML einrichtest, Experimente verwaltest, die Modellverwaltung automatisierst und effektiv zusammenarbeitest.

ClearML

ClearML ist eine innovative Open-Source-MLOps-Plattform, die gezielt dafür entwickelt wurde, Workflows für maschinelles Lernen 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 Weboberfläche für einfache Datenvisualisierung und Analyse, fortschrittliche Hyperparameter-Optimierungsalgorithmen sowie eine robuste Modellverwaltung für eine effiziente Bereitstellung 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 Folgendes aus:

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

Für detaillierte Anweisungen und bewährte Verfahren bezüglich des Installationsprozesses, schaue dir unbedingt unseren YOLO26-Installationsleitfaden an. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, findest du in unserem Leitfaden für allgemeine Probleme Lösungen und Tipps.

ClearML konfigurieren

Sobald du die notwendigen Pakete installiert hast, besteht der nächste Schritt darin, dein ClearML SDK zu initialisieren und zu konfigurieren. Dies umfasst das Einrichten deines ClearML-Kontos und das Abrufen der erforderlichen Anmeldeinformationen für eine reibungslose 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 erforderlichen Anmeldeinformationen.

# Initialize your ClearML SDK setup process
clearml-init

Nachdem du diesen Befehl ausgeführt hast, besuche die ClearML-Einstellungsseite. Navigiere in die obere rechte Ecke und wähle "Settings". Gehe zum Abschnitt "Workspace" und klicke auf "Create new credentials". Verwende die Anmeldeinformationen aus dem Pop-up "Create Credentials", um die Einrichtung wie angewiesen abzuschließen, je nachdem, ob du ClearML in einem Jupyter Notebook oder einer lokalen Python-Umgebung konfigurierst.

Verwendung

Bevor du in die Nutzungsanweisungen eintauchst, schaue dir unbedingt die Auswahl an YOLO26-Modellen von 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)

Den Code verstehen

Lass uns die Schritte verstehen, die im obigen Code-Snippet zur Verwendung gezeigt werden.

Schritt 1: Eine ClearML-Task erstellen: Eine neue Task wird in ClearML initialisiert, wobei Projekt- und Task-Namen festgelegt werden. Diese Task wird das Training deines Modells verfolgen und verwalten.

Schritt 2: Das YOLO26-Modell auswählen: Die Variable model_variant wird auf 'yolo26n' gesetzt, eines der YOLO26-Modelle. Diese Variante wird dann zur Nachverfolgung in ClearML protokolliert.

Schritt 3: Das YOLO26-Modell laden: Das ausgewählte YOLO26-Modell wird unter Verwendung der YOLO-Klasse von Ultralytics geladen und für das Training vorbereitet.

Schritt 4: Trainingsargumente einrichten: Wichtige Trainingsargumente wie der Datensatz (coco8.yaml) und die Anzahl der Epochen (16) werden in einem Dictionary organisiert und mit der ClearML-Task verbunden. Dies ermöglicht die Nachverfolgung und potenzielle Änderungen über die ClearML-Benutzeroberfläche. Für ein detailliertes Verständnis des Modelltrainingsprozesses und bewährter Verfahren, lies unseren YOLO26-Modelltraining-Leitfaden.

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

Die Ausgabe verstehen

Nachdem du das obige Code-Snippet ausgeführt hast, kannst du die folgende Ausgabe erwarten:

• Eine Bestätigungsnachricht, die die Erstellung einer neuen ClearML-Task 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, 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 unseren Leitfaden zu Leistungsmetriken.

Die ClearML-Ergebnisseite ansehen

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

Hauptfunktionen der ClearML-Ergebnisseite

• Echtzeit-Metrikverfolgung

  • Verfolge wichtige Metriken wie Verlust, Genauigkeit und Validierungswerte, sobald sie auftreten.
  • Bietet sofortiges Feedback für zeitnahe Anpassungen der Modellleistung.

• Experimentvergleich

  • Vergleiche verschiedene Trainingsdurchläufe nebeneinander.
  • Unerlässlich für die Hyperparameter-Optimierung 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 Arbeitsspeicher.
  • Entscheidend für die Optimierung der Trainingseffizienz und -kosten.

• Verwaltung von Modell-Artefakten

  • Zeige Modell-Artefakte wie trainierte Modelle und Checkpoints an, lade sie herunter und teile sie.
  • Verbessert die Zusammenarbeit und optimiert die Modellbereitstellung und das Teilen.

Für einen visuellen Rundgang durch das Aussehen der ClearML-Ergebnisseite schaue dir das Video unten an:

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 Maschinen. Sie protokolliert wichtige Details wie installierte Pakete und nicht übertragene Änderungen. Wenn eine Task in die Warteschlange gestellt wird, zieht sie der ClearML Agent, erstellt die Umgebung neu, 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 erfolgen:

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

Dieses Setup ist auf 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.

Klonen, Bearbeiten und Einreihen

Die benutzerfreundliche Oberfläche von ClearML ermöglicht das einfache Klonen, Bearbeiten und Einreihen von Tasks. Benutzer können ein bestehendes Experiment klonen, Parameter oder andere Details über die Benutzeroberfläche anpassen und die Task zur Ausführung in die Warteschlange stellen. Dieser optimierte Prozess stellt sicher, dass der ClearML Agent, der die Task ausführt, aktualisierte Konfigurationen verwendet, was es ideal für iteratives Experimentieren und Modell-Feinabstimmung macht.

Datensatz-Versionsverwaltung

ClearML bietet auch leistungsstarke Funktionen zur Datensatz-Versionsverwaltung, die sich nahtlos in YOLO26-Trainingsworkflows integrieren. Diese Funktion ermöglicht dir:

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

Um deinen Datensatz für ClearML vorzubereiten, befolge diese Schritte:

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

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 die Reproduzierbarkeit und den einfachen Zugriff auf deine Daten gewährleistet.

Zusammenfassung

Dieser Leitfaden hat dich durch den Prozess der Integration von ClearML mit Ultralytics YOLO26 geführt. Von der Ersteinrichtung bis hin zur fortgeschrittenen Modellverwaltung hast du entdeckt, wie du ClearML für effizientes Training, Experimentverfolgung und Workflow-Optimierung in deinen Machine-Learning-Projekten nutzen kannst.

Für weitere Details zur Verwendung besuche ClearMLs offiziellen YOLOv8-Integrationsleitfaden, der auch für YOLO26-Workflows gilt.

Entdecke außerdem weitere Integrationen und Funktionen von Ultralytics, indem du die Seite mit Ultralytics-Integrationsleitfäden besuchst, die eine wahre Fundgrube an Ressourcen und Erkenntnissen ist.

FAQ

Wie sieht der Prozess zur Integration von Ultralytics YOLO26 mit ClearML aus?

Die Integration von Ultralytics YOLO26 mit ClearML umfasst eine Reihe von Schritten zur Optimierung deines MLOps-Workflows. Installiere zunächst die erforderlichen Pakete:

pip install ultralytics clearml

Initialisiere als Nächstes das ClearML SDK in deiner Umgebung mit:

clearml-init

Du konfigurierst ClearML dann mit deinen Anmeldeinformationen von der ClearML-Einstellungsseite. Detaillierte Anweisungen zum gesamten Einrichtungsprozess, einschließlich Modellauswahl und Trainingskonfigurationen, findest du in unserem YOLO26-Modelltraining-Leitfaden.

Warum 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 der Experimentverfolgung, Optimierung von Workflows und Ermöglichung einer robusten Modellverwaltung. ClearML bietet Echtzeit-Metrikverfolgung, Überwachung der Ressourcennutzung und eine benutzerfreundliche Oberfläche zum Vergleichen von Experimenten. Diese Funktionen helfen dabei, die Leistung deines Modells zu optimieren und den Entwicklungsprozess effizienter zu gestalten. Erfahre mehr über die Vorteile und Verfahren in unserem MLOps-Integrationsleitfaden.

Wie behebe ich häufige Probleme während der YOLO26- und ClearML-Integration?

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

Wie richte ich die ClearML-Task für das YOLO26-Modelltraining ein?

Das Einrichten einer ClearML-Task für das YOLO26-Training umfasst das Initialisieren einer Task, das Auswählen der Modellvariante, das Laden des Modells, das Einrichten von Trainingsargumenten 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)

Beziehe dich auf unseren Verwendungsleitfaden für eine detaillierte Aufschlüsselung dieser Schritte.

Wo 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 zum Ansehen der ClearML-Ergebnisseite.