Formación YOLO11 con ClearML: Racionalización del flujo de trabajo de MLOps
MLOps tiende un puente entre la creación y el despliegue de modelos de aprendizaje automático en entornos reales. Se centra en el despliegue eficiente, la escalabilidad y la gestión continua para garantizar el buen rendimiento de los modelos en aplicaciones prácticas.
Ultralytics YOLO11 se integra sin esfuerzo con ClearML, agilizando y mejorando la formación y la gestión de su modelo de detección de objetos. Esta guía le guiará a través del proceso de integración, detallando cómo configurar ClearML, gestionar experimentos, automatizar la gestión de modelos y colaborar eficazmente.
ClearML
ClearML es una innovadora plataforma MLOps de código abierto hábilmente diseñada para automatizar, supervisar y orquestar flujos de trabajo de aprendizaje automático. Entre sus principales características se incluyen el registro automatizado de todos los datos de entrenamiento e inferencia para una total reproducibilidad de los experimentos, una interfaz de usuario web intuitiva para una fácil visualización y análisis de los datos, algoritmos avanzados de optimización de hiperparámetros y una sólida gestión de modelos para un despliegue eficiente en varias plataformas.
YOLO11 Formación con ClearML
Puede aportar automatización y eficiencia a su flujo de trabajo de aprendizaje automático mejorando su proceso de formación mediante la integración de YOLO11 con ClearML.
Instalación
Para instalar los paquetes necesarios, ejecute
Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónYOLO11 . Durante la instalación de los paquetes necesarios para YOLO11, si encuentras alguna dificultad, consulta nuestra guía de problemas comunes para encontrar soluciones y consejos.
Configuración de ClearML
Una vez que haya instalado los paquetes necesarios, el siguiente paso es inicializar y configurar su SDK ClearML . Esto implica configurar su cuenta ClearML y obtener las credenciales necesarias para una conexión perfecta entre su entorno de desarrollo y el servidor ClearML .
Comience por inicializar el SDK ClearML en su entorno. El comando 'clearml-init' inicia el proceso de configuración y le solicita las credenciales necesarias.
Después de ejecutar este comando, visite la página de configuraciónClearML . Navega hasta la esquina superior derecha y selecciona "Configuración". Ve a la sección "Espacio de trabajo" y haz clic en "Crear nuevas credenciales". Utilice las credenciales proporcionadas en la ventana emergente "Crear credenciales" para completar la configuración según las instrucciones, dependiendo de si está configurando ClearML en un cuaderno Jupyter o en un entorno local Python .
Utilización
Antes de sumergirse en las instrucciones de uso, asegúrese de consultar la gama de modelos deYOLO11 que ofrece Ultralytics. Esto le ayudará a elegir el modelo más apropiado para los requisitos de su proyecto.
Utilización
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)
Entender el Código
Entendamos los pasos que se muestran en el fragmento de código de uso anterior.
Paso 1: Creación de una tarea ClearML : Se inicializa una nueva tarea en ClearML, especificando los nombres de su proyecto y tarea. Esta tarea seguirá y gestionará el entrenamiento de su modelo.
Paso 2: Selección del modelo YOLO11: La model_variant se establece en 'yolo11n', uno de los modelos de YOLO11 . A continuación, esta variante se registra en ClearML para su seguimiento.
Paso 3: Carga del modelo YOLO11 : El modelo YOLO11 seleccionado se carga utilizando la clase Ultralytics' YOLO , preparándolo para el entrenamiento.
Paso 4: Configuración de los argumentos de formación: Argumentos clave para la formación, como el conjunto de datos (coco8.yaml) y el número de épocas (16) se organizan en un diccionario y se conectan a la tarea ClearML . Esto permite su seguimiento y posible modificación a través de la interfaz de usuario de ClearML . Para conocer en detalle el proceso de formación de modelos y las mejores prácticas, consulte nuestro YOLO11 Modelo de guía de formación.
Paso 5: Iniciar la formación de modelos: El entrenamiento del modelo se inicia con los argumentos especificados. Los resultados del proceso de entrenamiento se capturan en el archivo results variable.
Comprender el resultado
Al ejecutar el fragmento de código de uso anterior, puede esperar la siguiente salida:
- Un mensaje de confirmación indicando la creación de una nueva tarea ClearML , junto con su ID único.
- Un mensaje informativo sobre el código de script almacenado, indicando que la ejecución del código está siendo rastreada por ClearML.
- Un enlace URL a la página de resultados ClearML , donde podrá seguir el progreso del entrenamiento y ver registros detallados.
- Descarga del progreso del modelo YOLO11 y el conjunto de datos especificado, seguido de un resumen de la arquitectura del modelo y la configuración del entrenamiento.
- Mensajes de inicialización para varios componentes de entrenamiento como TensorBoard, Automatic Mixed Precision (AMP), y preparación del conjunto de datos.
- Por último, se inicia el proceso de entrenamiento, con actualizaciones de progreso a medida que el modelo se entrena en el conjunto de datos especificado. Para conocer en profundidad las métricas de rendimiento utilizadas durante el entrenamiento, lee nuestra guía sobre métricas de rendimiento.
Visualización de la página de resultados ClearML
Haciendo clic en el enlace URL a la página de resultados ClearML en la salida del fragmento de código de uso, puede acceder a una vista completa del proceso de entrenamiento de su modelo.
Características principales de la página de resultados ClearML
-
Seguimiento de métricas en tiempo real
- Realice un seguimiento de métricas críticas como pérdidas, precisión y puntuaciones de validación a medida que se producen.
- Proporciona información inmediata para ajustar a tiempo el rendimiento del modelo.
-
Comparación de experimentos
- Compara diferentes entrenamientos.
- Esencial para el ajuste de hiperparámetros y la identificación de los modelos más eficaces.
-
Registros y resultados detallados
- Acceda a registros completos, representaciones gráficas de métricas y salidas de consola.
- Comprender mejor el comportamiento de los modelos y la resolución de problemas.
-
Control de la utilización de los recursos
- Supervisar la utilización de los recursos informáticos, incluidos CPU, GPU, y la memoria.
- Clave para optimizar la eficacia y los costes de la formación.
-
Gestión de artefactos modelo
- Visualice, descargue y comparta artefactos de modelos, como modelos entrenados y puntos de control.
- Mejora la colaboración y agiliza la implantación y el uso compartido de modelos.
En el siguiente vídeo se muestra un recorrido visual por la página de resultados ClearML :
Observa: YOLO11 Integración de MLOps mediante ClearML
Funciones avanzadas en ClearML
ClearML ofrece varias funciones avanzadas para mejorar tu experiencia MLOps.
Ejecución remota
La función de ejecución remota de ClearML facilita la reproducción y manipulación de experimentos en diferentes máquinas. Registra detalles esenciales como paquetes instalados y cambios no comprometidos. Cuando se pone en cola una tarea, el agente ClearML la extrae, recrea el entorno y ejecuta el experimento, informando de los resultados detallados.
Desplegar un Agente ClearML es sencillo y puede hacerse en varias máquinas utilizando el siguiente comando:
Esta configuración es aplicable a máquinas virtuales en la nube, GPU locales u ordenadores portátiles. Los autoescaladoresClearML ayudan a gestionar cargas de trabajo en la nube en plataformas como AWS, GCP y Azure, automatizando el despliegue de agentes y ajustando los recursos en función de su presupuesto de recursos.
Clonación, edición y puesta en cola
ClearMLpermite clonar, editar y poner en cola tareas con facilidad. Los usuarios pueden clonar un experimento existente, ajustar los parámetros u otros detalles a través de la interfaz de usuario y poner en cola la tarea para su ejecución. Este proceso simplificado garantiza que el agente ClearML que ejecuta la tarea utiliza configuraciones actualizadas, lo que resulta ideal para la experimentación iterativa y el ajuste del modelo.
Gestión de versiones de conjuntos de datos
ClearML también ofrece potentes funciones de gestión de versiones de conjuntos de datos que se integran perfectamente con los flujos de trabajo de formación YOLO11 . Esta función le permite:
- Versione los conjuntos de datos separados del código
- Seguimiento de la versión del conjunto de datos utilizada en cada experimento
- Acceda y descargue fácilmente la última versión del conjunto de datos
Para preparar su conjunto de datos para ClearML, siga estos pasos:
- Organice su conjunto de datos con la estructura estándar YOLO (imágenes, etiquetas, etc.)
- Copie el archivo YAML correspondiente en la raíz de la carpeta del conjunto de datos
- Cargue su conjunto de datos utilizando la herramienta ClearML Data:
Este comando creará un conjunto de datos versionados en ClearML al que se puede hacer referencia en sus scripts de entrenamiento, garantizando la reproducibilidad y el fácil acceso a sus datos.
Resumen
Esta guía le ha guiado a través del proceso de integración de ClearML con Ultralytics' YOLO11. Cubriendo todo, desde la configuración inicial hasta la gestión avanzada de modelos, ha descubierto cómo aprovechar ClearML para una formación eficiente, el seguimiento de experimentos y la optimización del flujo de trabajo en sus proyectos de aprendizaje automático.
Para más detalles sobre su uso, visite la documentación oficial deClearML.
Además, explore más integraciones y capacidades de Ultralytics visitando la página de la guía de integraciónUltralytics , que es un tesoro de recursos y conocimientos.
PREGUNTAS FRECUENTES
¿Cuál es el proceso de integración de Ultralytics YOLO11 con ClearML?
La integración de Ultralytics YOLO11 con ClearML implica una serie de pasos para agilizar el flujo de trabajo de MLOps. En primer lugar, instale los paquetes necesarios:
A continuación, inicialice el SDK ClearML en su entorno utilizando:
A continuación, configure ClearML con sus credenciales desde la página de configuraciónClearML . Encontrará instrucciones detalladas sobre todo el proceso de configuración, incluida la selección del modelo y las configuraciones de formación, en nuestra guía de formación de modelosYOLO11 .
¿Por qué debería utilizar ClearML con Ultralytics YOLO11 para mis proyectos de aprendizaje automático?
El uso de ClearML con Ultralytics YOLO11 mejora sus proyectos de aprendizaje automático automatizando el seguimiento de experimentos, agilizando los flujos de trabajo y permitiendo una sólida gestión de modelos. ClearML ofrece seguimiento de métricas en tiempo real, supervisión de la utilización de recursos y una interfaz fácil de usar para comparar experimentos. Estas características ayudan a optimizar el rendimiento de su modelo y hacen que el proceso de desarrollo sea más eficiente. Obtenga más información sobre las ventajas y los procedimientos en nuestra guía de integración de MLOps.
¿Cómo puedo solucionar los problemas más comunes durante la integración de YOLO11 y ClearML ?
Si se encuentra con problemas durante la integración de YOLO11 con ClearML, consulte nuestra guía de problemas comunes para obtener soluciones y consejos. Los problemas típicos pueden ser errores de instalación de paquetes, instalación de credenciales o problemas de configuración. Esta guía proporciona instrucciones paso a paso para resolver estos problemas comunes de manera eficiente.
¿Cómo configuro la tarea ClearML para el entrenamiento del modelo YOLO11 ?
Configurar una tarea ClearML para el entrenamiento YOLO11 implica inicializar una tarea, seleccionar la variante del modelo, cargar el modelo, configurar los argumentos de entrenamiento y, finalmente, iniciar el entrenamiento del modelo. He aquí un ejemplo simplificado:
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)
Consulte nuestra Guía de uso para obtener un desglose detallado de estos pasos.
¿Dónde puedo consultar los resultados de mi formación en YOLO11 en ClearML?
Después de ejecutar su script de entrenamiento YOLO11 con ClearML, puede ver los resultados en la página de resultados ClearML . La salida incluirá un enlace URL al panel de control de ClearML , donde podrá realizar un seguimiento de las métricas, comparar experimentos y supervisar el uso de recursos. Para más detalles sobre cómo ver e interpretar los resultados, consulte nuestra sección sobre Cómo ver la página de resultados ClearML .
