Training YOLO11 with ClearML: Streamlining Your MLOps Workflow
MLOps bridges the gap between creating and deploying machine learning models in real-world settings. It focuses on efficient deployment, scalability, and ongoing management to ensure models perform well in practical applications.
Ultralytics YOLO11 effortlessly integrates with ClearML, streamlining and enhancing your object detection model's training and management. This guide will walk you through the integration process, detailing how to set up ClearML, manage experiments, automate model management, and collaborate effectively.
ClearML
ClearML is an innovative open-source MLOps platform that is skillfully designed to automate, monitor, and orchestrate machine learning workflows. Its key features include automated logging of all training and inference data for full experiment reproducibility, an intuitive web UI for easy data visualization and analysis, advanced hyperparameter optimization algorithms, and robust model management for efficient deployment across various platforms.
YOLO11 Training with ClearML
You can bring automation and efficiency to your machine learning workflow by improving your training process by integrating YOLO11 with ClearML.
Installation
Um die benötigten Pakete zu installieren, führe sie aus:
For detailed instructions and best practices related to the installation process, be sure to check our YOLO11 Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.
Konfigurieren von ClearML
Nachdem du die erforderlichen Pakete installiert hast, musst du im nächsten Schritt dein ClearML SDK initialisieren und konfigurieren. Dazu musst du dein ClearML Konto einrichten und die notwendigen Anmeldedaten für eine nahtlose Verbindung zwischen deiner Entwicklungsumgebung und dem ClearML Server erhalten.
Beginnen Sie mit der Initialisierung der ClearML SDK in Ihrer Umgebung. Die 'clearml-init' startet den Setup-Prozess und fordert Sie zur Eingabe der erforderlichen Anmeldeinformationen auf.
Nachdem du diesen Befehl ausgeführt hast, rufe die SeiteClearML Einstellungen auf. Navigiere zur oberen rechten Ecke und wähle "Einstellungen". Gehe zum Abschnitt "Arbeitsbereich" und klicke auf "Neue Anmeldedaten erstellen". Verwende die Anmeldedaten, die du im Pop-up-Fenster "Anmeldedaten erstellen" erhältst, um die Einrichtung wie angegeben abzuschließen, je nachdem, ob du ClearML in einem Jupyter Notebook oder einer lokalen Python Umgebung konfigurierst.
Verwendung
Before diving into the usage instructions, be sure to check out the range of YOLO11 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.
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 Verwendungscode-Snippet gezeigt werden.
Schritt 1: Erstellen einer ClearML Aufgabe: Eine neue Aufgabe wird in ClearML angelegt, wobei du die Namen deines Projekts und deiner Aufgabe angibst. Diese Aufgabe wird das Training deines Modells verfolgen und verwalten.
Step 2: Selecting the YOLO11 Model: Die model_variant variable is set to 'yolo11n', one of the YOLO11 models. This variant is then logged in ClearML for tracking.
Step 3: Loading the YOLO11 Model: The selected YOLO11 model is loaded using Ultralytics' YOLO class, preparing it for training.
Schritt 4: Trainingsargumente aufstellen: Wichtige Trainingsargumente wie der Datensatz (coco8.yaml) and the number of epochs (16) werden in einem Wörterbuch organisiert und mit der Aufgabe ClearML verbunden. Dies ermöglicht die Nachverfolgung und mögliche Änderung über die Benutzeroberfläche ClearML . Ein detailliertes Verständnis des Modelltrainings und der besten Praktiken findest du in unserem YOLO11 Model Training guide.
Schritt 5: Modellschulung einleiten: Das Modelltraining wird mit den angegebenen Argumenten gestartet. Die Ergebnisse des Trainingsprozesses werden in der results variabel.
Die Ausgabe verstehen
Wenn du das obige Code-Snippet ausführst, kannst du die folgende Ausgabe erwarten:
- Eine Bestätigungsmeldung, die die Erstellung einer neuen ClearML Aufgabe zusammen mit ihrer eindeutigen ID anzeigt.
- Eine Informationsmeldung über den gespeicherten Skriptcode, die darauf hinweist, dass die Codeausführung von ClearML verfolgt wird.
- Einen URL-Link zur Ergebnisseite ClearML , auf der du den Trainingsfortschritt verfolgen und detaillierte Protokolle einsehen kannst.
- Download progress for the YOLO11 model and the specified dataset, followed by a summary of the model architecture and training configuration.
- Initialization messages for various training components like TensorBoard, Automatic Mixed Precision (AMP), and dataset preparation.
- Schließlich beginnt der Trainingsprozess, wobei der Fortschritt aktualisiert wird, während das Modell auf dem angegebenen Datensatz trainiert. Für ein tieferes Verständnis der Leistungskennzahlen, die beim Training verwendet werden, lies unseren Leitfaden über Leistungskennzahlen.
Aufrufen der Ergebnisseite ClearML
Wenn du auf den URL-Link zur Ergebnisseite ClearML in der Ausgabe des Anwendungscode-Snippets klickst, kannst du dir einen umfassenden Überblick über den Trainingsprozess deines Modells verschaffen.
Hauptmerkmale der Ergebnisseite ClearML
-
Metriken in Echtzeit verfolgen
- Track critical metrics like loss, accuracy, and validation scores as they occur.
- Bietet sofortiges Feedback für rechtzeitige Anpassungen der Modellleistung.
-
Experiment Vergleich
- Vergleiche verschiedene Trainingsläufe nebeneinander.
- Essential for hyperparameter tuning and identifying the most effective models.
-
Detaillierte Protokolle und Ausgaben
- Zugriff auf umfassende Protokolle, grafische Darstellungen von Metriken und Konsolenausgaben.
- Erhalte ein tieferes Verständnis von Modellverhalten und Problemlösung.
-
Überwachung der Ressourcenauslastung
- Überwache die Auslastung der Rechenressourcen, einschließlich CPU, GPU und Speicher.
- Der Schlüssel zur Optimierung der Ausbildungseffizienz und der Kosten.
-
Modell Artefakte Management
- Du kannst Modellartefakte wie trainierte Modelle und Kontrollpunkte ansehen, herunterladen und mit anderen teilen.
- Enhances collaboration and streamlines model deployment and sharing.
Wie die ClearML Ergebnisseite aussieht, kannst du dir im folgenden Video ansehen:
Pass auf: YOLO11 MLOps Integration using ClearML
Erweiterte Funktionen in ClearML
ClearML bietet verschiedene fortschrittliche Funktionen, die dein MLOps-Erlebnis 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 mit folgendem Befehl auf verschiedenen Rechnern durchgeführt werden:
Dieses Setup 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 deines Ressourcenbudgets anpassen.
Klonen, Bearbeiten und Enqueuing
ClearMLDie benutzerfreundliche Oberfläche ermöglicht das einfache Klonen, Bearbeiten und Einreihen von Aufgaben. Nutzer können ein bestehendes Experiment klonen, Parameter oder andere Details über die Benutzeroberfläche anpassen und die Aufgabe zur Ausführung freigeben. Dieser rationelle Prozess stellt sicher, dass der ClearML Agent, der die Aufgabe ausführt, aktualisierte Konfigurationen verwendet, was ihn ideal für iterative Experimente und die Feinabstimmung des Modells macht.
Zusammenfassung
This guide has led you through the process of integrating ClearML with Ultralytics' YOLO11. Covering everything from initial setup to advanced model management, you've discovered how to leverage ClearML for efficient training, experiment tracking, and workflow optimization in your machine learning projects.
Weitere Informationen zur Verwendung findest du in der offiziellen Dokumentation vonClearML.
Weitere Integrationen und Möglichkeiten von Ultralytics findest du auf der SeiteUltralytics , die eine Fundgrube für Ressourcen und Einblicke ist.
FAQ
What is the process for integrating Ultralytics YOLO11 with ClearML?
Integrating Ultralytics YOLO11 with ClearML involves a series of steps to streamline your MLOps workflow. First, install the necessary packages:
Als Nächstes initialisierst du das ClearML SDK in deiner Umgebung mit:
You then configure ClearML with your credentials from the ClearML Settings page. Detailed instructions on the entire setup process, including model selection and training configurations, can be found in our YOLO11 Model Training guide.
Why should I use ClearML with Ultralytics YOLO11 for my machine learning projects?
Using ClearML with Ultralytics YOLO11 enhances your machine learning projects by automating experiment tracking, streamlining workflows, and enabling robust model management. ClearML offers real-time metrics tracking, resource utilization monitoring, and a user-friendly interface for comparing experiments. These features help optimize your model's performance and make the development process more efficient. Learn more about the benefits and procedures in our MLOps Integration guide.
How do I troubleshoot common issues during YOLO11 and ClearML integration?
If you encounter issues during the integration of YOLO11 with ClearML, consult our Common Issues guide for solutions and tips. Typical problems might involve package installation errors, credential setup, or configuration issues. This guide provides step-by-step troubleshooting instructions to resolve these common issues efficiently.
How do I set up the ClearML task for YOLO11 model training?
Setting up a ClearML task for YOLO11 training involves initializing a task, selecting the model variant, loading the model, setting up training arguments, and finally, starting the model training. Here's a simplified example:
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)
In unserem Leitfaden zur Nutzung findest du eine detaillierte Aufschlüsselung dieser Schritte.
Where can I view the results of my YOLO11 training in ClearML?
After running your YOLO11 training script with ClearML, you can view the results on the ClearML results page. The output will include a URL link to the ClearML dashboard, where you can track metrics, compare experiments, and monitor resource usage. For more details on how to view and interpret the results, check our section on Viewing the ClearML Results Page.
