Entrenando YOLO26 con ClearML: optimiza tu flujo de trabajo 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, escalabilidad y una gestión continua para garantizar que los modelos funcionen bien en aplicaciones prácticas.

Ultralytics YOLO26 se integra sin esfuerzo con ClearML, optimizando y mejorando el entrenamiento y la gestión de tu modelo de detección de objetos. Esta guía te guiará a través del proceso de integración, detallando cómo configurar ClearML, gestionar experimentos, automatizar la gestión de modelos y colaborar de manera eficaz.

ClearML

ClearML es una innovadora plataforma MLOps de código abierto diseñada de forma experta para automatizar, supervisar y organizar flujos de trabajo de machine learning. Sus funciones 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 visualización de datos y el análisis, algoritmos de optimización de hiperparámetros avanzados y una gestión robusta de modelos para un despliegue eficiente en diversas plataformas.

Entrenamiento 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.

Instalación

Para instalar los paquetes necesarios, ejecuta:

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

Para obtener instrucciones detalladas y 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.

Configuración de ClearML

Una vez instalados 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

Tras 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 Python local.

Uso

Antes de sumergirte 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)

Comprender el código

Comprendamos los pasos mostrados en el fragmento de código de uso anterior.

Paso 1: Creación de una tarea de ClearML: Se inicializa una nueva tarea en ClearML, especificando los nombres de tu proyecto y de la tarea. Esta tarea realizará un seguimiento y gestionará el entrenamiento de tu modelo.

Paso 2: Selección del 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: Carga del modelo YOLO26: El modelo YOLO26 seleccionado se carga utilizando la clase YOLO de Ultralytics, preparándolo para el entrenamiento.

Paso 4: Configuración de los argumentos de entrenamiento: Los argumentos clave de entrenamiento, como el conjunto de datos (coco8.yaml) y el número de épocas (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: Inicio del entrenamiento del modelo: El entrenamiento del modelo comienza con los argumentos especificados. Los resultados del proceso de entrenamiento se capturan en la variable results.

Comprender la salida

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

• Un mensaje de confirmación que indica la creación de una nueva tarea de ClearML, junto con su ID único.
• Un mensaje informativo sobre el almacenamiento del código del script, 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 supervisar el progreso del entrenamiento y ver registros detallados.
• Progreso de la descarga para el modelo YOLO26 y el conjunto de datos especificado, seguido de un resumen de la arquitectura del modelo y la configuración de entrenamiento.
• Mensajes de inicialización para diversos componentes de entrenamiento como TensorBoard, precisión mixta automática (AMP) y preparación del conjunto de datos.
• Finalmente, el proceso de entrenamiento comienza, 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.

Ver la página de resultados de ClearML

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

Características clave de la página de resultados de ClearML

• Seguimiento de métricas en tiempo real

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

• Comparación de experimentos

  • Compara diferentes ejecuciones de entrenamiento una al lado de la otra.
  • Esencial para el ajuste de hiperparámetros y la identificación de 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.

• Supervisión de la utilización de recursos

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

• Gestión de artefactos del modelo

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

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

Características avanzadas en ClearML

ClearML ofrece varias características 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 los paquetes instalados y los cambios no confirmados. Cuando se pone en cola una tarea, el Agente de ClearML la extrae, recrea el entorno y ejecuta el experimento, informando con resultados detallados.

Desplegar un Agente de ClearML es sencillo y puede realizarse en varias máquinas utilizando 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 portátiles. Los autoscalers de ClearML 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.

Clonación, edición y puesta 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 optimizado garantiza que el Agente de ClearML que ejecuta la tarea utilice configuraciones actualizadas, lo que lo hace ideal para la experimentación iterativa y el ajuste fino de modelos.

Gestión de versiones de conjuntos de datos

ClearML también ofrece potentes capacidades 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:

• Versionar tus conjuntos de datos por separado de tu código
• Realizar un seguimiento de qué versión del conjunto de datos se utilizó para cada experimento
• Acceder y descargar fácilmente 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 YOLO estándar (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 de datos de ClearML:

   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, garantizando la reproducibilidad y el fácil acceso a tus datos.

Resumen

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 obtener más detalles sobre el uso, visita la guía oficial 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 la guía de integración de Ultralytics, que es un tesoro de recursos y perspectivas.

Preguntas frecuentes

¿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 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.

¿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, optimizar los flujos de trabajo y permitir una gestión sólida de los 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 tu modelo y hacen que el proceso de desarrollo sea más eficiente. Aprende más sobre los beneficios y procedimientos en nuestra guía de integración MLOps.

¿Cómo soluciono los 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 involucrar errores de instalación de paquetes, configuración de credenciales o problemas de configuración. Esta guía proporciona instrucciones paso a paso para solucionar estos problemas comunes de manera eficiente.

¿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 un desglose detallado de estos pasos.

¿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. La salida incluirá un enlace URL al panel de control de ClearML, donde puedes realizar un seguimiento de las métricas, comparar experimentos y supervisar el uso de los recursos. Para obtener más detalles sobre cómo ver e interpretar los resultados, consulta nuestra sección sobre Cómo ver la página de resultados de ClearML.