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

MLOps tiende un puente entre la creación y la implementación de modelos de aprendizaje automático en entornos reales. Se centra en una implementación eficiente, la escalabilidad y la gestión continua para garantizar que los modelos funcionen correctamente en aplicaciones prácticas.

Ultralytics YOLO26 se integra fácilmente con ClearML, lo que agiliza y mejora el entrenamiento y la gestión de tu modelo 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 de MLOps de código abierto, diseñada para automatizar, supervisar y orquestar flujos de trabajo de aprendizaje automático. Entre sus principales funciones se incluyen el registro automatizado de todos los datos de entrenamiento e inferencia para reproducir experimentos completamente, una interfaz web intuitiva para facilitar la visualización de datos y el análisis, avanzados algoritmos de optimización de hiperparámetros y una sólida gestión de modelos para realizar implementaciones de forma eficiente en distintas plataformas.

Entrenamiento de YOLO26 con ClearML#

Puedes aportar automatización y eficiencia a 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 consultar instrucciones detalladas y prácticas recomendadas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de YOLO26. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener 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 establecer 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. Ve a la esquina superior derecha y selecciona «Settings». Accede 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.

Uso#

Antes de consultar las instrucciones de uso, no olvides revisar la variedad de modelos YOLO26 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
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 callback se habilita de forma predeterminada. Crea una tarea cuando comienza el entrenamiento, utiliza los argumentos YOLO project y name para los nombres del proyecto y la tarea de ClearML, y conecta automáticamente los argumentos de entrenamiento. Ejecuta yolo settings clearml=False para desactivar la integración. Consulta la guía de entrenamiento de modelos YOLO26 para conocer las opciones de entrenamiento y las prácticas recomendadas.

Cómo entender 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 identificador único.
• Un mensaje informativo sobre el almacenamiento del código del script, que indica que ClearML está registrando la ejecución del código.
• Un enlace URL a la página de resultados de ClearML, donde puedes supervisar el progreso del entrenamiento y consultar registros detallados.
• El progreso de 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 diversos 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 comprender en profundidad 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 el resultado del fragmento de código de uso, puedes acceder a 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

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

• Comparación de experimentos

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

• Registros y resultados detallados

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

• Supervisión del uso de recursos

  • Supervisa el uso de recursos computacionales, incluidos CPU, GPU y 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 la implementación y el uso compartido de modelos.

Para ver una demostración visual del aspecto de la página de resultados de ClearML, mira el siguiente vídeo:

Funciones avanzadas de ClearML#

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

Ejecución remota#

La función de ejecución remota de ClearML facilita la reproducción y manipulación de experimentos en distintas máquinas. Registra detalles esenciales, como los paquetes instalados y los cambios no confirmados. Cuando se pone una tarea en cola, el agente de ClearML la obtiene, recrea el entorno y ejecuta el experimento, devolviendo resultados detallados.

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

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

Esta configuración se aplica a máquinas virtuales en la nube, GPU locales o portátiles. Los escaladores automáticos de ClearML 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 según tu presupuesto de recursos.

Clonación, edición y puesta en cola#

La interfaz fácil de usar de ClearML permite clonar, editar y poner tareas en cola fácilmente. Puedes clonar un experimento existente, ajustar parámetros u otros detalles mediante la interfaz de usuario y poner la tarea en cola para ejecutarla. Este proceso optimizado garantiza que el agente de ClearML que ejecuta la tarea utilice configuraciones actualizadas, por lo que resulta ideal para la experimentación iterativa y el ajuste preciso 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 perfectamente con los flujos de trabajo de entrenamiento de YOLO26. Esta función te permite:

• Crear versiones de tus conjuntos de datos independientemente de tu código
• Registrar qué versión del conjunto de datos se utilizó 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 (imágenes, etiquetas, etc.)

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

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

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

Este comando creará en ClearML un conjunto de datos con versiones al que podrás hacer referencia en tus scripts de entrenamiento, lo que garantiza la reproducibilidad y un acceso sencillo a tus datos.

Resumen#

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

Para obtener más información 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, descubre más integraciones y funciones de Ultralytics visitando la página de la guía de integraciones de Ultralytics, que ofrece una gran cantidad de recursos e información.

Preguntas frecuentes#