Entrenar 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 del mundo real. Se centra en el 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.

ClearML#

ClearML es una innovadora plataforma MLOps de código abierto diseñada hábilmente para automatizar, monitorizar 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 total reproducibilidad de los experimentos, una interfaz web intuitiva para facilitar la data visualization y el análisis, algoritmos avanzados de optimization algorithms de hiperparámetros y una gestión de modelos robusta para un despliegue eficiente en varias 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 buenas prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra YOLO26 Installation guide. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra Common Issues guide para encontrar soluciones y consejos.

Configuración 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 ClearML Settings page. Ve a la esquina superior derecha y selecciona "Settings". Dirígete 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 YOLO26 models offered by 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",
)

Entender el código#

Una vez que ClearML esté instalado y configurado, su retrollamada se habilitará de forma predeterminada. Crea una tarea cuando comienza el entrenamiento, utiliza los argumentos de YOLO project y name para los nombres del proyecto y de la tarea de ClearML, y conecta los argumentos de entrenamiento automáticamente. Ejecuta yolo settings clearml=False para deshabilitar la integración. Para conocer las opciones de entrenamiento y las mejores prácticas, consulta la guía de entrenamiento de modelos YOLO26.

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 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, Automatic Mixed Precision (AMP) y la preparación del conjunto de datos.
• Por último, el entrenamiento comienza con actualizaciones de progreso a medida que el modelo se entrena en el conjunto de datos especificado. Para comprender a fondo las métricas de rendimiento utilizadas durante el entrenamiento, lee our guide on performance metrics.

Ver 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.

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 accuracy y las puntuaciones de validación a medida que se producen.
  • 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:

Características avanzadas en ClearML#

ClearML ofrece varias características avanzadas para mejorar tu experiencia de 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 se pone una tarea en cola, el ClearML Agent la extrae, recrea el entorno y ejecuta el experimento, devolviendo 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, GPUs locales o 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.

Clonar, 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.

Gestión 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 función 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.

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 más detalles sobre su uso, visita ClearML's official YOLOv8 integration guide, que también se aplica a los flujos de trabajo de YOLO26.

Además, explora más integraciones y capacidades de Ultralytics visitando la Ultralytics integration guide page, que es una auténtica mina de recursos y perspectivas.

FAQ#