Link to this sectionEntrenar YOLO26 con ClearML: Optimiza tu flujo de trabajo de MLOps#

MLOps cierra la brecha entre la creación y el despliegue de modelos de machine learning en entornos reales. Se centra en un despliegue eficiente, la escalabilidad y la gestión continua para garantizar que los modelos funcionen bien en aplicaciones prácticas.

Ultralytics YOLO26 se integra sin esfuerzo con ClearML, simplificando y mejorando el entrenamiento y la gestión de tu modelo de object detection. Esta guía te acompañará a través del proceso de integración, detallando cómo configurar ClearML, gestionar experimentos, automatizar la gestión de modelos y colaborar eficazmente.

Link to this sectionClearML#

ClearML es una innovadora plataforma de MLOps de código abierto diseñada con destreza para automatizar, supervisar y orquestar flujos de trabajo de machine learning. Sus características clave incluyen el registro automatizado de todos los datos de entrenamiento e inferencia para una reproducibilidad total de los experimentos, una interfaz web intuitiva para facilitar la data visualization y el análisis, optimization algorithms de hiperparámetros avanzados y una gestión de modelos sólida para un despliegue eficiente en diversas plataformas.

Link to this sectionEntrenamiento de YOLO26 con ClearML#

Puedes aportar automatización y eficiencia a tu flujo de trabajo de machine learning integrando YOLO26 con ClearML para mejorar tu proceso de entrenamiento.

Link to this sectionInstalación#

Para instalar los paquetes necesarios, ejecuta:

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

Para obtener instrucciones detalladas y las mejores prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra guía de instalación de YOLO26. Si durante la instalación de los paquetes necesarios para YOLO26 encuentras alguna dificultad, consulta nuestra guía de problemas comunes para encontrar soluciones y consejos.

Link to this sectionConfiguración de ClearML#

Una vez que hayas instalado los paquetes necesarios, el siguiente paso es inicializar y configurar tu SDK de ClearML. Esto implica configurar tu cuenta de ClearML y obtener las credenciales necesarias para una conexión fluida entre tu entorno de desarrollo y el servidor de ClearML.

Empieza inicializando el SDK de ClearML en tu entorno. El comando clearml-init inicia el proceso de configuración y te solicita las credenciales necesarias.

# Initialize your ClearML SDK setup process
clearml-init

Después de ejecutar este comando, visita la página de configuración de ClearML. Navega hasta la esquina superior derecha y selecciona "Settings". Ve a la sección "Workspace" y haz clic en "Create new credentials". Utiliza las credenciales proporcionadas en la ventana emergente "Create Credentials" para completar la configuración según las instrucciones, dependiendo de si estás configurando ClearML en un Jupyter Notebook o en un entorno local de Python.

Link to this sectionUso#

Antes de profundizar en las instrucciones de uso, asegúrate de echar un vistazo a la gama de modelos YOLO26 ofrecidos por Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

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 sectionEntender el código#

Vamos a entender los pasos mostrados en el fragmento de código de uso anterior.

Paso 1: Crear una tarea de ClearML: Se inicializa una nueva tarea en ClearML, especificando los nombres de tu proyecto y tarea. Esta tarea rastreará y gestionará el entrenamiento de tu modelo.

Paso 2: Seleccionar el modelo YOLO26: La variable model_variant se establece en 'yolo26n', uno de los modelos YOLO26. Esta variante se registra entonces en ClearML para su seguimiento.

Paso 3: Cargar el modelo YOLO26: El modelo YOLO26 seleccionado se carga utilizando la clase YOLO de Ultralytics, preparándolo para el entrenamiento.

Paso 4: Configurar los argumentos de entrenamiento: Los argumentos de entrenamiento clave, como el conjunto de datos (coco8.yaml) y el número de epochs (16), se organizan en un diccionario y se conectan a la tarea de ClearML. Esto permite el seguimiento y la posible modificación a través de la interfaz de usuario de ClearML. Para obtener una comprensión detallada del proceso de entrenamiento del modelo y las mejores prácticas, consulta nuestra guía de entrenamiento de modelos YOLO26.

Paso 5: Iniciar el entrenamiento del modelo: El entrenamiento del modelo se inicia con los argumentos especificados. Los resultados del proceso de entrenamiento se capturan en la variable results.

Link to this sectionEntender el resultado#

Al ejecutar el fragmento de código de uso anterior, puedes esperar el siguiente resultado:

• Un mensaje de confirmación que indica la creación de una nueva tarea de ClearML, junto con su ID único.
• Un mensaje informativo sobre el código del script que se está guardando, lo que indica que la ejecución del código está siendo rastreada por ClearML.
• Un enlace URL a la página de resultados de ClearML donde puedes monitorear el progreso del entrenamiento y ver registros detallados.
• Progreso de la descarga del modelo YOLO26 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, Mixed Precision (AMP) automático y preparación del conjunto de datos.
• Finalmente, comienza el proceso de entrenamiento, con actualizaciones de progreso a medida que el modelo se entrena en el conjunto de datos especificado. Para una comprensión profunda de las métricas de rendimiento utilizadas durante el entrenamiento, lee nuestra guía sobre métricas de rendimiento.

Link to this sectionVer la página de resultados de ClearML#

Al hacer clic en el enlace URL a la página de resultados de ClearML en el resultado del fragmento de código de uso, puedes acceder a una vista completa del proceso de entrenamiento de tu modelo.

Link to this sectionCaracterísticas clave de la página de resultados de ClearML#

• Seguimiento de métricas en tiempo real

  • Realiza un seguimiento de métricas críticas como la pérdida, la accuracy y las puntuaciones de validación a medida que ocurren.
  • Proporciona retroalimentación inmediata para realizar ajustes oportunos en el rendimiento del modelo.

• Comparación de experimentos

  • Compara diferentes ejecuciones de entrenamiento una al lado de la otra.
  • Esencial para el hyperparameter tuning y para identificar los modelos más eficaces.

• Registros y resultados detallados

  • Accede a registros completos, representaciones gráficas de métricas y resultados de consola.
  • Obtén una comprensión más profunda del comportamiento del modelo y la resolución de problemas.

• Monitoreo de utilización de recursos

  • Monitorea la utilización de los recursos computacionales, incluyendo CPU, GPU y memoria.
  • Clave para optimizar la eficiencia y los costes de entrenamiento.

• Gestión de artefactos del modelo

  • Ve, descarga y comparte artefactos del modelo como modelos entrenados y puntos de control (checkpoints).
  • Mejora la colaboración y agiliza el model deployment y el intercambio.

Para un recorrido visual de cómo se ve la página de resultados de ClearML, mira el vídeo a continuación:

Link to this sectionCaracterísticas avanzadas en ClearML#

ClearML ofrece varias características avanzadas para mejorar tu experiencia de MLOps.

Link to this sectionEjecución remota#

La función de ejecución remota de ClearML facilita la reproducción y manipulación de experimentos en diferentes máquinas. Registra detalles esenciales como los paquetes instalados y los cambios no confirmados. Cuando una tarea está en cola, el ClearML Agent la extrae, recrea el entorno y ejecuta el experimento, informando con resultados detallados.

Desplegar un ClearML Agent es sencillo y se puede hacer en varias máquinas usando el siguiente comando:

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

Esta configuración es aplicable a máquinas virtuales en la nube, GPU locales o ordenadores portátiles. Los ClearML Autoscalers ayudan a gestionar las 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 tu presupuesto de recursos.

Link to this sectionClonar, editar y poner en cola#

La interfaz fácil de usar de ClearML permite clonar, editar y poner en cola tareas fácilmente. Los usuarios pueden clonar un experimento existente, ajustar parámetros u otros detalles a través de la interfaz de usuario y poner la tarea en cola para su ejecución. Este proceso simplificado garantiza que el ClearML Agent que ejecuta la tarea utilice configuraciones actualizadas, lo que lo hace ideal para la experimentación iterativa y el ajuste fino de modelos.

Link to this sectionGestión de versiones de conjuntos de datos#

ClearML también ofrece potentes capacidades de dataset version management que se integran perfectamente con los flujos de trabajo de entrenamiento de YOLO26. Esta característica te permite:

• Versionar tus conjuntos de datos por separado de tu código
• Rastrear qué versión del conjunto de datos se utilizó para cada experimento
• Acceder fácilmente y descargar la última versión del conjunto de datos

Para preparar tu conjunto de datos para ClearML, sigue estos pasos:

1. Organiza tu conjunto de datos con la estructura estándar de YOLO (imágenes, etiquetas, etc.)

2. Copia el archivo YAML correspondiente a la raíz de la carpeta de tu conjunto de datos

3. Sube tu conjunto de datos utilizando la herramienta ClearML Data:

   cd your_dataset_folder
   clearml-data sync --project YOLO26 --name your_dataset_name --folder .

Este comando creará un conjunto de datos versionado en ClearML que puede ser referenciado en tus scripts de entrenamiento, asegurando la reproducibilidad y el fácil acceso a tus datos.

Link to this sectionResumen#

Esta guía te ha llevado a través del proceso de integración de ClearML con YOLO26 de Ultralytics. Cubriendo todo, desde la configuración inicial hasta la gestión avanzada de modelos, has descubierto cómo aprovechar ClearML para un entrenamiento eficiente, el seguimiento de experimentos y la optimización del flujo de trabajo en tus proyectos de machine learning.

Para más detalles sobre el uso, visita la guía de integración de YOLOv8 de ClearML, que también se aplica a los flujos de trabajo de YOLO26.

Además, explora más integraciones y capacidades de Ultralytics visitando la página de guía de integración de Ultralytics, que es un tesoro de recursos y conocimientos.

Link to this sectionFAQ#

Link to this section¿Cuál es el proceso para integrar YOLO26 de Ultralytics con ClearML?#

Integrar YOLO26 de Ultralytics con ClearML implica una serie de pasos para optimizar tu flujo de trabajo de MLOps. Primero, instala los paquetes necesarios:

pip install ultralytics clearml

A continuación, inicializa el SDK de ClearML en tu entorno usando:

clearml-init

Luego configuras ClearML con tus credenciales desde la página de configuración de ClearML. Encontrarás instrucciones detalladas sobre todo el proceso de configuración, incluida la selección de modelos y las configuraciones de entrenamiento, en nuestra guía de entrenamiento de modelos YOLO26.

Link to this section¿Por qué debería usar ClearML con YOLO26 de Ultralytics para mis proyectos de machine learning?#

Usar ClearML con YOLO26 de Ultralytics mejora tus proyectos de machine learning al automatizar el seguimiento de experimentos, agilizar los flujos de trabajo y permitir una gestión sólida de los modelos. ClearML ofrece seguimiento de métricas en tiempo real, monitoreo de utilización de recursos y una interfaz fácil de usar para comparar experimentos. Estas características ayudan a optimizar el rendimiento de tu modelo y a hacer el proceso de desarrollo más eficiente. Aprende más sobre los beneficios y procedimientos en nuestra guía de integración de MLOps.

Link to this section¿Cómo soluciono problemas comunes durante la integración de YOLO26 y ClearML?#

Si encuentras problemas durante la integración de YOLO26 con ClearML, consulta nuestra guía de problemas comunes para obtener soluciones y consejos. Los problemas típicos pueden implicar errores de instalación de paquetes, configuración de credenciales o problemas de configuración. Esta guía proporciona instrucciones paso a paso para la resolución de problemas para resolver estos problemas comunes de manera eficiente.

Link to this section¿Cómo configuro la tarea de ClearML para el entrenamiento del modelo YOLO26?#

Configurar una tarea de ClearML para el entrenamiento de YOLO26 implica inicializar una tarea, seleccionar la variante del modelo, cargar el modelo, configurar los argumentos de entrenamiento y, finalmente, iniciar el entrenamiento del modelo. Aquí tienes 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_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)

Consulta nuestra guía de uso para obtener un desglose detallado de estos pasos.

Link to this section¿Dónde puedo ver los resultados de mi entrenamiento de YOLO26 en ClearML?#

Después de ejecutar tu script de entrenamiento de YOLO26 con ClearML, puedes ver los resultados en la página de resultados de ClearML. El resultado incluirá un enlace URL al panel de ClearML, donde puedes rastrear métricas, comparar experimentos y monitorear el uso de recursos. Para obtener más detalles sobre cómo ver e interpretar los resultados, consulta nuestra sección sobre Cómo ver la página de resultados de ClearML.