Zum Inhalt springen

Schulung YOLO11 mit ClearML: Rationalisierung Ihres MLOps-Workflows

MLOps überbrückt die Lücke zwischen der Erstellung und dem Einsatz von Modellen des maschinellen Lernens in realen Umgebungen. Der Schwerpunkt liegt auf effizienter Bereitstellung, Skalierbarkeit und laufender Verwaltung, um sicherzustellen, dass die Modelle in praktischen Anwendungen gut funktionieren.

Ultralytics YOLO11 lässt sich mühelos in ClearML integrieren, wodurch das Training und die Verwaltung Ihres Objekterkennungsmodells rationalisiert und verbessert werden. Dieser Leitfaden führt Sie durch den Integrationsprozess und beschreibt detailliert, wie Sie ClearML einrichten, Experimente verwalten, die Modellverwaltung automatisieren und effektiv zusammenarbeiten.

ClearML

ClearML Übersicht

ClearML ist eine innovative Open-Source-Plattform für maschinelles Lernen, die für die Automatisierung, Überwachung und Orchestrierung von Workflows für maschinelles Lernen entwickelt wurde. Zu den wichtigsten Funktionen gehören die automatische Protokollierung aller Trainings- und Inferenzdaten für eine vollständige Reproduzierbarkeit der Experimente, eine intuitive Web-UI für eine einfache Datenvisualisierung und -analyse, fortschrittliche Hyperparameter-Optimierungsalgorithmen und eine robuste Modellverwaltung für eine effiziente Bereitstellung auf verschiedenen Plattformen.

YOLO11 Ausbildung mit ClearML

Sie können Ihren Workflow für maschinelles Lernen automatisieren und effizienter gestalten, indem Sie Ihren Trainingsprozess durch die Integration von YOLO11 mit ClearML verbessern.

Einrichtung

Um die erforderlichen Pakete zu installieren, führen Sie aus:

Einrichtung

# Install the required packages for YOLO11 and ClearML
pip install ultralytics clearml

Ausführliche Anweisungen und bewährte Verfahren für den Installationsprozess finden Sie in unserem YOLO11 Installationshandbuch. Wenn Sie bei der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stoßen, finden Sie in unserem Leitfaden für häufige Probleme Lösungen und Tipps.

Konfigurieren von ClearML

Nachdem Sie die erforderlichen Pakete installiert haben, ist der nächste Schritt die Initialisierung und Konfiguration Ihres ClearML SDK. Dazu müssen Sie Ihr ClearML Konto einrichten und die erforderlichen Anmeldeinformationen für eine nahtlose Verbindung zwischen Ihrer Entwicklungsumgebung und dem ClearML Server erhalten.

Beginnen Sie mit der Initialisierung des ClearML SDK in Ihrer Umgebung. Der Befehl 'clearml-init' startet den Einrichtungsprozess und fordert Sie zur Eingabe der erforderlichen Anmeldeinformationen auf.

Erste SDK-Einrichtung

# Initialize your ClearML SDK setup process
clearml-init

Nachdem Sie diesen Befehl ausgeführt haben, rufen Sie die SeiteClearML Einstellungen auf. Navigieren Sie zur oberen rechten Ecke und wählen Sie "Einstellungen". Gehen Sie zum Abschnitt "Arbeitsbereich" und klicken Sie auf "Neue Anmeldeinformationen erstellen". Verwenden Sie die im Popup-Fenster "Anmeldeinformationen erstellen" angegebenen Anmeldeinformationen, um die Einrichtung wie angewiesen abzuschließen, je nachdem, ob Sie ClearML in einem Jupyter Notebook oder einer lokalen Python Umgebung konfigurieren.

Verwendung

Bevor Sie sich mit der Gebrauchsanweisung befassen, sollten Sie sich über die verschiedenen Modelle vonYOLO11 informieren, die von Ultralytics angeboten werden. Dies wird Ihnen helfen, das am besten geeignete Modell für Ihre Projektanforderungen auszuwählen.

Verwendung

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolov8_task")

# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO11 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 Kodex verstehen

Lassen Sie uns die Schritte verstehen, die im obigen Codeausschnitt gezeigt werden.

Schritt 1: Erstellen einer ClearML Aufgabe: Eine neue Aufgabe wird in ClearML initialisiert, wobei Sie Ihre Projekt- und Aufgabennamen angeben. Diese Aufgabe wird das Training Ihres Modells verfolgen und verwalten.

Schritt 2: Auswählen des Modells YOLO11: Die model_variant auf "yolo11n", eines der YOLO11 Modelle, gesetzt wird. Diese Variante wird dann in ClearML zur Nachverfolgung protokolliert.

Schritt 3: Laden des YOLO11 Modells: Das ausgewählte YOLO11 Modell wird mit der Klasse Ultralytics' YOLO geladen und für das Training vorbereitet.

Schritt 4: Einrichten von Trainingsargumenten: Wichtige Trainingsargumente wie der Datensatz (coco8.yaml) und die Anzahl der Epochen (16) werden in einem Wörterbuch organisiert und mit der Aufgabe ClearML verbunden. Dies ermöglicht die Verfolgung und mögliche Änderung über die Benutzeroberfläche ClearML . Ein detailliertes Verständnis des Modelltrainings und bewährte Verfahren finden Sie in unserer YOLO11 Modell Ausbildungsleitfaden.

Schritt 5: Initiierung der Modellschulung: Das Modelltraining wird mit den angegebenen Argumenten gestartet. Die Ergebnisse des Trainingsprozesses werden in der Datei results variabel.

Verstehen der Ausgabe

Wenn Sie das obige Codefragment ausführen, können Sie die folgende Ausgabe erwarten:

  • Eine Bestätigungsmeldung, die die Erstellung einer neuen Aufgabe ClearML zusammen mit ihrer eindeutigen ID anzeigt.
  • Eine Informationsmeldung über den gespeicherten Skriptcode, die angibt, dass die Codeausführung von ClearML verfolgt wird.
  • Einen URL-Link zur Ergebnisseite ClearML , wo Sie den Trainingsfortschritt verfolgen und detaillierte Protokolle einsehen können.
  • Download-Fortschritt für das Modell YOLO11 und den angegebenen Datensatz, gefolgt von einer Zusammenfassung der Modellarchitektur und Trainingskonfiguration.
  • Initialisierungsmeldungen für verschiedene Trainingskomponenten wie TensorBoard, Automatic Mixed Precision (AMP) und Datensatzvorbereitung.
  • Schließlich beginnt der Trainingsprozess mit Fortschrittsaktualisierungen, während das Modell auf dem angegebenen Datensatz trainiert. Für ein tieferes Verständnis der Leistungsmetriken, die während des Trainings verwendet werden, lesen Sie unseren Leitfaden zu Leistungsmetriken.

Anzeigen der Ergebnisseite ClearML

Wenn Sie auf den URL-Link zur Ergebnisseite ClearML in der Ausgabe des Verwendungscode-Snippets klicken, können Sie eine umfassende Ansicht des Trainingsprozesses Ihres Modells aufrufen.

Hauptmerkmale der Ergebnisseite ClearML

  • Verfolgung von Metriken in Echtzeit

    • Verfolgen Sie kritische Metriken wie Verlust, Genauigkeit und Validierungsergebnisse, sobald sie auftreten.
    • Bietet sofortiges Feedback für rechtzeitige Anpassungen der Modellleistung.
  • Experiment Vergleich

    • Vergleichen Sie verschiedene Trainingsläufe nebeneinander.
    • Unverzichtbar für die Abstimmung der Hyperparameter und die Ermittlung der effektivsten Modelle.
  • Detaillierte Protokolle und Ausgaben

    • Zugriff auf umfassende Protokolle, grafische Darstellungen von Metriken und Konsolenausgaben.
    • Vertiefung des Verständnisses von Modellverhalten und Problemlösung.
  • Überwachung der Ressourcenauslastung

    • Überwachen Sie die Nutzung von Rechenressourcen, einschließlich CPU, GPU und Speicher.
    • Der Schlüssel zur Optimierung von Effizienz und Kosten der Ausbildung.
  • Verwaltung von Modell-Artefakten

    • Modellartefakte wie trainierte Modelle und Prüfpunkte anzeigen, herunterladen und gemeinsam nutzen.
    • Verbessert die Zusammenarbeit und rationalisiert die Bereitstellung und den Austausch von Modellen.

Im folgenden Video sehen Sie, wie die Ergebnisseite ClearML aussieht:



Beobachten: YOLO11 MLOps-Integration mit ClearML

Erweiterte Funktionen in ClearML

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

Remote-Ausführung

ClearMLDie Fernausführungsfunktion erleichtert die Reproduktion und Manipulation von Experimenten auf verschiedenen Rechnern. Sie protokolliert wichtige Details wie installierte Pakete und nicht übertragene Änderungen. Wenn eine Aufgabe in die Warteschlange gestellt wird, holt der ClearML Agent sie ab, erstellt die Umgebung neu, führt das Experiment aus und meldet detaillierte Ergebnisse zurück.

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

clearml-agent daemon --queue <queues_to_listen_to> [--docker]

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

Klonen, Bearbeiten und Enqueuing

ClearMLDie benutzerfreundliche Oberfläche der Software ermöglicht das einfache Klonen, Bearbeiten und Einreihen von Aufgaben. Benutzer können ein bestehendes Experiment klonen, Parameter oder andere Details über die Benutzeroberfläche anpassen und die Aufgabe zur Ausführung in die Warteschlange stellen. Dieser rationalisierte Prozess stellt sicher, dass der ClearML Agent, der die Aufgabe ausführt, aktualisierte Konfigurationen verwendet, was ihn ideal für iterative Experimente und die Feinabstimmung von Modellen macht.


Klonen, Bearbeiten und Enqueuing mit ClearML

Zusammenfassung

Dieser Leitfaden hat Sie durch den Prozess der Integration von ClearML mit Ultralytics' YOLO11 geführt. Von der anfänglichen Einrichtung bis hin zur fortgeschrittenen Modellverwaltung haben Sie erfahren, wie Sie ClearML für effizientes Training, die Verfolgung von Experimenten und die Optimierung von Arbeitsabläufen in Ihren Machine-Learning-Projekten nutzen können.

Weitere Einzelheiten zur Verwendung finden Sie in der offiziellen Dokumentation vonClearML.

Außerdem können Sie weitere Integrationen und Funktionen von Ultralytics erkunden, indem Sie die SeiteUltralytics integration guide besuchen, die eine Fundgrube an Ressourcen und Einblicken ist.

FAQ

Wie sieht das Verfahren zur Integration von Ultralytics YOLO11 mit ClearML aus?

Die Integration von Ultralytics YOLO11 mit ClearML umfasst eine Reihe von Schritten, um Ihren MLOps-Workflow zu optimieren. Installieren Sie zunächst die erforderlichen Pakete:

pip install ultralytics clearml

Als nächstes initialisieren Sie das ClearML SDK in Ihrer Umgebung mit:

clearml-init

Anschließend konfigurieren Sie ClearML mit Ihren Anmeldedaten auf der SeiteClearML Einstellungen. Ausführliche Anleitungen zum gesamten Einrichtungsprozess, einschließlich der Modellauswahl und der Trainingskonfigurationen, finden Sie in unserem LeitfadenYOLO11 Model Training.

Warum sollte ich ClearML mit Ultralytics YOLO11 für meine maschinellen Lernprojekte verwenden?

Die Verwendung von ClearML mit Ultralytics YOLO11 verbessert Ihre Projekte zum maschinellen Lernen, indem es die Verfolgung von Experimenten automatisiert, Arbeitsabläufe rationalisiert und eine robuste Modellverwaltung ermöglicht. ClearML bietet die Verfolgung von Metriken in Echtzeit, die Überwachung der Ressourcennutzung und eine benutzerfreundliche Schnittstelle zum Vergleichen von Experimenten. Diese Funktionen tragen dazu bei, die Leistung Ihres Modells zu optimieren und den Entwicklungsprozess effizienter zu gestalten. Erfahren Sie mehr über die Vorteile und Verfahren in unserem MLOps-Integrationsleitfaden.

Wie behebe ich allgemeine Probleme bei der Integration von YOLO11 und ClearML ?

Wenn Sie bei der Integration von YOLO11 mit ClearML auf Probleme stoßen, finden Sie in unserem Leitfaden für häufige Probleme Lösungen und Tipps. Typische Probleme können Fehler bei der Paketinstallation, bei der Einrichtung der Anmeldeinformationen oder bei der Konfiguration sein. Dieser Leitfaden enthält schrittweise Anleitungen zur Fehlerbehebung, um diese häufigen Probleme effizient zu lösen.

Wie richte ich die Aufgabe ClearML für das Modelltraining YOLO11 ein?

Das Einrichten einer ClearML Aufgabe für YOLO11 Training beinhaltet das Initialisieren einer Aufgabe, die Auswahl 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_yolov8_task")

# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO11 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)

Eine detaillierte Aufschlüsselung dieser Schritte finden Sie in unserem Leitfaden zur Nutzung.

Wo kann ich die Ergebnisse meiner YOLO11 Schulung unter ClearML einsehen?

Nachdem Sie Ihr YOLO11 Trainingsskript mit ClearML ausgeführt haben, können Sie die Ergebnisse auf der Ergebnisseite ClearML einsehen. Die Ausgabe enthält einen URL-Link zum ClearML Dashboard, wo Sie Metriken verfolgen, Experimente vergleichen und die Ressourcennutzung überwachen können. Weitere Einzelheiten zur Anzeige und Interpretation der Ergebnisse finden Sie in unserem Abschnitt über die Anzeige der ClearML Ergebnisseite.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare