Entrenamiento de YOLO26 con ClearML: optimización de tu flujo de trabajo MLOps#

MLOps conecta la creación y el despliegue de modelos de aprendizaje automático 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 fácilmente con ClearML para agilizar y mejorar el entrenamiento y la gestión de tus modelos de detección de objetos. Esta guía te explicará el proceso de integración y detallará cómo configurar ClearML, gestionar experimentos, automatizar la gestión de modelos y colaborar de forma eficaz.

ClearML#

ClearML es una innovadora plataforma MLOps de código abierto, diseñada para automatizar, supervisar y coordinar flujos de trabajo de aprendizaje automático. Entre sus principales funciones se incluyen el registro automático de todos los datos de entrenamiento e inferencia para que los experimentos sean totalmente reproducibles, una interfaz web intuitiva que facilita la visualización de datos y el análisis, avanzados algoritmos de optimización de hiperparámetros y una sólida gestión de modelos para desplegarlos eficazmente en diversas plataformas.

Entrenamiento de YOLO26 con ClearML#

Puedes automatizar y agilizar tu flujo de trabajo de aprendizaje automático integrando YOLO26 con ClearML para mejorar el proceso de entrenamiento.

Instalación#

Para instalar los paquetes necesarios, ejecuta:

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

Para obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación, consulta la guía de instalación de YOLO26. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta la guía de problemas frecuentes, donde encontrarás soluciones y consejos.

Configuración de ClearML#

Una vez instalados los paquetes necesarios, el siguiente paso es inicializar y configurar el SDK de ClearML. Para ello, tendrás que configurar tu cuenta de ClearML y obtener las credenciales necesarias para establecer una conexión sin interrupciones 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. Ve a la esquina superior derecha y selecciona «Settings». Entra en la sección «Workspace» y haz clic en «Create new credentials». Usa las credenciales que aparecen en la ventana emergente «Create Credentials» para completar la configuración según las instrucciones, en función de si estás configurando ClearML en un Jupyter Notebook o en un entorno local de Python.

Uso#

Antes de consultar las instrucciones de uso, echa un vistazo a la gama de modelos YOLO26 que ofrece Ultralytics. Así podrás elegir el modelo más adecuado para los requisitos de tu proyecto.

from ultralytics import YOLO

# La devolución de llamada crea y conecta automáticamente la tarea de ClearML
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Cómo entender el código#

Una vez instalado y configurado ClearML, su devolución de llamada está habilitada de forma predeterminada. Crea una tarea al comenzar el entrenamiento, utiliza los argumentos de YOLO project y name para los nombres del proyecto y de la tarea de ClearML, y conecta automáticamente los argumentos de entrenamiento. Ejecuta yolo settings clearml=False para desactivar la integración. Para consultar las opciones de entrenamiento y las buenas prácticas, consulta la guía de entrenamiento de modelos YOLO26.

Cómo entender la salida#

Al ejecutar el fragmento de código de ejemplo anterior, puedes esperar la siguiente salida:

• Un mensaje de confirmación que indica que se ha creado una nueva tarea de ClearML, junto con su ID único.
• Un mensaje informativo que indica que se ha guardado el código del script y que ClearML está realizando un seguimiento de su ejecución.
• Un enlace URL a la página de resultados de ClearML, donde puedes supervisar el progreso del entrenamiento y consultar registros detallados.
• El progreso de la descarga del modelo YOLO26 y del conjunto de datos especificado, seguido de un resumen de la arquitectura del modelo y de la configuración del entrenamiento.
• Mensajes de inicialización de varios componentes del entrenamiento, como TensorBoard, la precisión mixta automática (AMP) y la preparación del conjunto de datos.
• Por último, comienza el proceso de entrenamiento y se muestran actualizaciones de progreso mientras el modelo se entrena con el conjunto de datos especificado. Para entender a fondo las métricas de rendimiento utilizadas durante el entrenamiento, lee nuestra guía sobre métricas de rendimiento.

Consulta de la página de resultados de ClearML#

Al hacer clic en el enlace URL a la página de resultados de ClearML que aparece en la salida del fragmento de código de ejemplo, podrás consultar una vista completa del proceso de entrenamiento de tu modelo.

Funciones principales de la página de resultados de ClearML#

• Seguimiento de métricas en tiempo real

  • Haz un seguimiento de métricas clave, como la pérdida, la precisión y las puntuaciones de validación, a medida que se producen.
  • Ofrece información inmediata para que puedas ajustar a tiempo el rendimiento del modelo.

• Comparación de experimentos

  • Compara distintas ejecuciones de entrenamiento en paralelo.
  • Es esencial para el ajuste de hiperparámetros y para identificar los modelos más eficaces.

• Registros y salidas detallados

  • Consulta registros completos, representaciones gráficas de las métricas y salidas de la consola.
  • Comprende mejor el comportamiento del modelo y cómo resolver problemas.

• Supervisión del uso de recursos

  • Supervisa el uso de recursos informáticos, como la CPU, la GPU y la memoria.
  • Es fundamental para optimizar la eficiencia y los costes del entrenamiento.

• Gestión de artefactos del modelo

  • Consulta, descarga y comparte artefactos del modelo, como modelos entrenados y puntos de control.
  • Mejora la colaboración y agiliza el despliegue de modelos y el intercambio de modelos.

Para ver cómo es la página de resultados de ClearML, echa un vistazo al siguiente vídeo:

Funciones avanzadas de ClearML#

ClearML ofrece varias funciones avanzadas para mejorar tu experiencia con MLOps.

Ejecución remota#

La función de ejecución remota de ClearML facilita la reproducción y modificación de experimentos en distintas máquinas. Registra datos esenciales, como los paquetes instalados y los cambios sin confirmar. Cuando se añade una tarea a la cola, el agente de ClearML la recoge, recrea el entorno, ejecuta el experimento y devuelve resultados detallados.

Implementar un agente de ClearML es sencillo y puede hacerse en distintas máquinas con el siguiente comando:

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

Esta configuración sirve para máquinas virtuales en la nube, GPU locales o portátiles. Los escaladores automáticos de ClearML te ayudan a gestionar cargas de trabajo en la nube en plataformas como AWS, GCP y Azure, automatizando la implementación de agentes y ajustando los recursos en función de tu presupuesto.

Clonación, edición y puesta en cola#

La interfaz intuitiva de ClearML permite clonar, editar y poner en cola tareas fácilmente. Los usuarios pueden clonar un experimento existente, ajustar parámetros u otros detalles desde la interfaz de usuario y poner la tarea en cola para ejecutarla. Este proceso simplificado garantiza que el agente de ClearML que ejecuta la tarea use configuraciones actualizadas, por lo que resulta ideal para la experimentación iterativa y el ajuste fino de modelos.

Gestión de versiones de conjuntos de datos#

ClearML también ofrece potentes funciones de gestión de versiones de conjuntos de datos que se integran a la perfección con los flujos de trabajo de entrenamiento de YOLO26. Esta función te permite:

• Crear versiones de tus conjuntos de datos por separado del código
• Registrar qué versión del conjunto de datos se ha usado en cada experimento
• Acceder fácilmente a la versión más reciente del conjunto de datos y descargarla

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

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

2. Copia el archivo YAML correspondiente en la raíz de la carpeta del conjunto de datos

3. Sube tu conjunto de datos con 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 con versiones en ClearML al que podrás hacer referencia en tus scripts de entrenamiento, lo que garantizará la reproducibilidad y un acceso sencillo a tus datos.

Resumen#

Esta guía te ha mostrado el proceso para integrar ClearML con YOLO26 de Ultralytics. Desde la configuración inicial hasta la gestión avanzada de modelos, has descubierto cómo aprovechar ClearML para entrenar de forma eficiente, realizar un seguimiento de los experimentos y optimizar los flujos de trabajo en tus proyectos de aprendizaje automático.

Para obtener más información sobre su uso, visita la guía oficial de integración de YOLOv8 de ClearML, que también se aplica a los flujos de trabajo de YOLO26.

Además, descubre más integraciones y funciones de Ultralytics en la página de la guía de integración de Ultralytics, que reúne una gran cantidad de recursos e información.

Preguntas frecuentes#