Entrenando YOLO26 con ClearML: optimiza tu flujo de trabajo MLOps

MLOps cierra la brecha entre la creación y el despliegue de modelos machine learning en entornos reales. Se centra en el despliegue eficiente, la escalabilidad y la gestión continua para asegurar 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 object detection. Esta guía te llevará por el 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 diseñada con destreza para automatizar, monitorizar y orquestar flujos de trabajo de aprendizaje automático. 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 visualización de datos y el análisis, algoritmos avanzados de optimización de hiperparámetros, 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 aprendizaje automático integrando YOLO26 con ClearML para mejorar tu proceso de entrenamiento.

Instalación

Para instalar los paquetes requeridos, 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 obtener soluciones y consejos.

Configurando 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.

Comienza 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 ajustes de ClearML. Navega a 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 consultar 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)

Entendiendo el código

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

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

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

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

Paso 4: Configurando los argumentos de entrenamiento: Los argumentos clave de entrenamiento 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 una comprensión detallada del proceso de entrenamiento de modelos y las mejores prácticas, consulta nuestra guía de entrenamiento de modelos YOLO26.

Paso 5: Iniciando 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.

Entendiendo 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 código del script que se está almacenando, indicando que la ejecución del código está siendo seguida por ClearML.
• Un enlace URL a la página de resultados de ClearML donde puedes monitorizar el progreso del entrenamiento y ver registros detallados.
• Progreso de descarga para el 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, Precisión Mixta (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.

Viendo 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 visión integral del proceso de entrenamiento de tu modelo.

Características clave de la página de resultados de ClearML

• Seguimiento de métricas en tiempo real

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

• Comparación de experimentos

  • Compara diferentes ejecuciones de entrenamiento lado a lado.
  • Esencial para ajuste de hiperparámetros y la identificación de los modelos más eficaces.

• Registros y salidas detallados

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

• Monitorización de la utilización de recursos

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

• Gestión de artefactos de modelo

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

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

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 sin confirmar. Cuando una tarea se pone en cola, el ClearML Agent la recoge, recrea el entorno y ejecuta el experimento, informando con resultados detallados.

Desplegar un ClearML Agent 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, GPUs 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 según tu presupuesto.

Clonación, edición y puesta en cola

La interfaz fácil de usar de ClearML permite la clonación, edición y puesta en cola de tareas de forma sencilla. Los usuarios pueden clonar un experimento existente, ajustar parámetros u otros detalles a través de la interfaz y poner la tarea en cola para su ejecución. Este proceso optimizado asegura que el ClearML Agent que ejecuta la tarea utilice configuraciones actualizadas, siendo 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 perfectamente con los flujos de trabajo de entrenamiento de YOLO26. Esta característica te permite:

• Versionar tus conjuntos de datos por separado de tu código
• Seguir 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 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 acceso sencillo a tus datos.

Resumen

Esta guía te ha llevado a través del proceso de integrar ClearML con YOLO26 de Ultralytics. Cubriendo 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 aprendizaje automático.

Para más detalles sobre el uso, visita la guía oficial de integración de YOLOv8 de ClearML, lo cual 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 integraciones de Ultralytics, que es un tesoro de recursos y conocimientos.

Preguntas frecuentes

¿Cuál es el proceso para integrar Ultralytics YOLO26 con ClearML?

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

pip install ultralytics clearml

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

clearml-init

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

¿Por qué debería usar ClearML con Ultralytics YOLO26 para mis proyectos de aprendizaje automático?

Usar ClearML con Ultralytics YOLO26 mejora tus proyectos de aprendizaje automático al automatizar el seguimiento de experimentos, optimizar flujos de trabajo y permitir una gestión sólida de modelos. ClearML ofrece seguimiento de métricas en tiempo real, supervisión del uso de recursos y una interfaz fácil de usar para comparar experimentos. Estas funciones ayudan a optimizar el rendimiento de tu modelo y hacen que el proceso de desarrollo sea más eficiente. Obtén más información sobre los beneficios y procedimientos en nuestra guía de integración MLOps.

¿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 incluir errores de instalación de paquetes, configuración de credenciales o problemas de configuración. Esta guía proporciona instrucciones detalladas de solución de problemas para resolver estos asuntos comunes de forma 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, establecer 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 hacer seguimiento de métricas, comparar experimentos y supervisar el uso de recursos. Para más detalles sobre cómo ver e interpretar los resultados, consulta nuestra sección sobre Viendo la página de resultados de ClearML.