Formaci贸n YOLO11 con ClearML: Racionalizaci贸n del flujo de trabajo de MLOps
MLOps tiende un puente entre la creaci贸n y el despliegue de modelos de aprendizaje autom谩tico en entornos reales. Se centra en el despliegue eficiente, la escalabilidad y la gesti贸n continua para garantizar el buen rendimiento de los modelos en aplicaciones pr谩cticas.
Ultralytics YOLO11 se integra sin esfuerzo con ClearML, agilizando y mejorando la formaci贸n y la gesti贸n de su modelo de detecci贸n de objetos. Esta gu铆a le guiar谩 a trav茅s del proceso de integraci贸n, detallando c贸mo configurar ClearML, gestionar experimentos, automatizar la gesti贸n de modelos y colaborar eficazmente.
ClearML
ClearML es una innovadora plataforma MLOps de c贸digo abierto h谩bilmente dise帽ada para automatizar, supervisar y orquestar flujos de trabajo de aprendizaje autom谩tico. Entre sus principales caracter铆sticas se incluyen el registro automatizado de todos los datos de entrenamiento e inferencia para una total reproducibilidad de los experimentos, una interfaz de usuario web intuitiva para una f谩cil visualizaci贸n y an谩lisis de los datos, algoritmos avanzados de optimizaci贸n de hiperpar谩metros y una s贸lida gesti贸n de modelos para un despliegue eficiente en varias plataformas.
YOLO11 Formaci贸n con ClearML
Puede aportar automatizaci贸n y eficiencia a su flujo de trabajo de aprendizaje autom谩tico mejorando su proceso de formaci贸n mediante la integraci贸n de YOLO11 con ClearML.
Instalaci贸n
Para instalar los paquetes necesarios, ejecute
Para obtener instrucciones detalladas y buenas pr谩cticas relacionadas con el proceso de instalaci贸n, consulta nuestra gu铆a de instalaci贸nYOLO11 . Durante la instalaci贸n de los paquetes necesarios para YOLO11, si encuentras alguna dificultad, consulta nuestra gu铆a de problemas comunes para encontrar soluciones y consejos.
Configuraci贸n de ClearML
Una vez que haya instalado los paquetes necesarios, el siguiente paso es inicializar y configurar su SDK ClearML . Esto implica configurar su cuenta ClearML y obtener las credenciales necesarias para una conexi贸n perfecta entre su entorno de desarrollo y el servidor ClearML .
Comience por inicializar el SDK ClearML en su entorno. El comando 'clearml-init' inicia el proceso de configuraci贸n y le solicita las credenciales necesarias.
Despu茅s de ejecutar este comando, visite la p谩gina de configuraci贸nClearML . Navega hasta la esquina superior derecha y selecciona "Configuraci贸n". Ve a la secci贸n "Espacio de trabajo" y haz clic en "Crear nuevas credenciales". Utilice las credenciales proporcionadas en la ventana emergente "Crear credenciales" para completar la configuraci贸n seg煤n las instrucciones, dependiendo de si est谩 configurando ClearML en un cuaderno Jupyter o en un entorno local Python .
Utilizaci贸n
Antes de sumergirse en las instrucciones de uso, aseg煤rese de consultar la gama de modelos deYOLO11 que ofrece Ultralytics. Esto le ayudar谩 a elegir el modelo m谩s apropiado para los requisitos de su proyecto.
Utilizaci贸n
from clearml import Task
from ultralytics import YOLO
# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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)
Entender el C贸digo
Entendamos los pasos que se muestran en el fragmento de c贸digo de uso anterior.
Paso 1: Creaci贸n de una tarea ClearML : Se inicializa una nueva tarea en ClearML, especificando los nombres de su proyecto y tarea. Esta tarea seguir谩 y gestionar谩 el entrenamiento de su modelo.
Paso 2: Selecci贸n del modelo YOLO11: La model_variant se establece en 'yolo11n', uno de los modelos de YOLO11 . A continuaci贸n, esta variante se registra en ClearML para su seguimiento.
Paso 3: Carga del modelo YOLO11 : El modelo YOLO11 seleccionado se carga utilizando la clase Ultralytics' YOLO , prepar谩ndolo para el entrenamiento.
Paso 4: Configuraci贸n de los argumentos de formaci贸n: Argumentos clave para la formaci贸n, como el conjunto de datos (coco8.yaml) y el n煤mero de 茅pocas (16) se organizan en un diccionario y se conectan a la tarea ClearML . Esto permite su seguimiento y posible modificaci贸n a trav茅s de la interfaz de usuario de ClearML . Para conocer en detalle el proceso de formaci贸n de modelos y las mejores pr谩cticas, consulte nuestro YOLO11 Modelo de gu铆a de formaci贸n.
Paso 5: Iniciar la formaci贸n de modelos: El entrenamiento del modelo se inicia con los argumentos especificados. Los resultados del proceso de entrenamiento se capturan en el archivo results variable.
Comprender el resultado
Al ejecutar el fragmento de c贸digo de uso anterior, puede esperar la siguiente salida:
- Un mensaje de confirmaci贸n indicando la creaci贸n de una nueva tarea ClearML , junto con su ID 煤nico.
- Un mensaje informativo sobre el c贸digo de script almacenado, indicando que la ejecuci贸n del c贸digo est谩 siendo rastreada por ClearML.
- Un enlace URL a la p谩gina de resultados ClearML , donde podr谩 seguir el progreso del entrenamiento y ver registros detallados.
- Descarga del progreso del modelo YOLO11 y el conjunto de datos especificado, seguido de un resumen de la arquitectura del modelo y la configuraci贸n del entrenamiento.
- Mensajes de inicializaci贸n para varios componentes de entrenamiento como TensorBoard, Automatic Mixed Precision (AMP), y preparaci贸n del conjunto de datos.
- Por 煤ltimo, se inicia el proceso de entrenamiento, con actualizaciones de progreso a medida que el modelo se entrena en el conjunto de datos especificado. Para conocer en profundidad las m茅tricas de rendimiento utilizadas durante el entrenamiento, lee nuestra gu铆a sobre m茅tricas de rendimiento.
Visualizaci贸n de la p谩gina de resultados ClearML
Haciendo clic en el enlace URL a la p谩gina de resultados ClearML en la salida del fragmento de c贸digo de uso, puede acceder a una vista completa del proceso de entrenamiento de su modelo.
Caracter铆sticas principales de la p谩gina de resultados ClearML
-
Seguimiento de m茅tricas en tiempo real
- Realice un seguimiento de m茅tricas cr铆ticas como p茅rdidas, precisi贸n y puntuaciones de validaci贸n a medida que se producen.
- Proporciona informaci贸n inmediata para ajustar a tiempo el rendimiento del modelo.
-
Comparaci贸n de experimentos
- Compara diferentes entrenamientos.
- Esencial para el ajuste de hiperpar谩metros y la identificaci贸n de los modelos m谩s eficaces.
-
Registros y resultados detallados
- Acceda a registros completos, representaciones gr谩ficas de m茅tricas y salidas de consola.
- Comprender mejor el comportamiento de los modelos y la resoluci贸n de problemas.
-
Control de la utilizaci贸n de los recursos
- Supervisar la utilizaci贸n de los recursos inform谩ticos, incluidos CPU, GPU, y la memoria.
- Clave para optimizar la eficacia y los costes de la formaci贸n.
-
Gesti贸n de artefactos modelo
- Visualice, descargue y comparta artefactos de modelos, como modelos entrenados y puntos de control.
- Mejora la colaboraci贸n y agiliza la implantaci贸n y el uso compartido de modelos.
En el siguiente v铆deo se muestra un recorrido visual por la p谩gina de resultados ClearML :
Observa: YOLO11 Integraci贸n de MLOps mediante ClearML
Funciones avanzadas en ClearML
ClearML ofrece varias funciones avanzadas para mejorar tu experiencia MLOps.
Ejecuci贸n remota
ClearMLfacilita la reproducci贸n y manipulaci贸n de experimentos en diferentes m谩quinas. Registra detalles esenciales como los paquetes instalados y los cambios no comprometidos. Cuando se pone en cola una tarea, el agente ClearML la extrae, recrea el entorno y ejecuta el experimento, informando de los resultados detallados.
Desplegar un Agente ClearML es sencillo y puede hacerse en varias m谩quinas utilizando el siguiente comando:
Esta configuraci贸n es aplicable a m谩quinas virtuales en la nube, GPU locales u ordenadores port谩tiles. ClearML Los autoescaladores 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 funci贸n de su presupuesto de recursos.
Clonaci贸n, edici贸n y puesta en cola
ClearMLpermite clonar, editar y poner en cola tareas con facilidad. Los usuarios pueden clonar un experimento existente, ajustar los par谩metros u otros detalles a trav茅s de la interfaz de usuario y poner en cola la tarea para su ejecuci贸n. Este proceso simplificado garantiza que el agente ClearML que ejecuta la tarea utiliza configuraciones actualizadas, lo que resulta ideal para la experimentaci贸n iterativa y el ajuste del modelo.
Resumen
Esta gu铆a le ha guiado a trav茅s del proceso de integraci贸n de ClearML con Ultralytics' YOLO11. Cubriendo todo, desde la configuraci贸n inicial hasta la gesti贸n avanzada de modelos, ha descubierto c贸mo aprovechar ClearML para una formaci贸n eficiente, el seguimiento de experimentos y la optimizaci贸n del flujo de trabajo en sus proyectos de aprendizaje autom谩tico.
Para m谩s detalles sobre su uso, visite la documentaci贸n oficial deClearML.
Adem谩s, explore m谩s integraciones y capacidades de Ultralytics visitando la p谩gina de la gu铆a de integraci贸nUltralytics , que es un tesoro de recursos y conocimientos.
PREGUNTAS FRECUENTES
驴Cu谩l es el proceso de integraci贸n de Ultralytics YOLO11 con ClearML?
La integraci贸n de Ultralytics YOLO11 con ClearML implica una serie de pasos para agilizar el flujo de trabajo de MLOps. En primer lugar, instale los paquetes necesarios:
A continuaci贸n, inicialice el SDK ClearML en su entorno utilizando:
A continuaci贸n, configure ClearML con sus credenciales desde la p谩gina de configuraci贸nClearML . Encontrar谩 instrucciones detalladas sobre todo el proceso de configuraci贸n, incluida la selecci贸n del modelo y las configuraciones de formaci贸n, en nuestra gu铆a de formaci贸n de modelosYOLO11 .
驴Por qu茅 deber铆a utilizar ClearML con Ultralytics YOLO11 para mis proyectos de aprendizaje autom谩tico?
El uso de ClearML con Ultralytics YOLO11 mejora sus proyectos de aprendizaje autom谩tico automatizando el seguimiento de experimentos, agilizando los flujos de trabajo y permitiendo una s贸lida gesti贸n de modelos. ClearML ofrece seguimiento de m茅tricas en tiempo real, supervisi贸n de la utilizaci贸n de recursos y una interfaz f谩cil de usar para comparar experimentos. Estas caracter铆sticas ayudan a optimizar el rendimiento de su modelo y hacen que el proceso de desarrollo sea m谩s eficiente. Obtenga m谩s informaci贸n sobre las ventajas y los procedimientos en nuestra gu铆a de integraci贸n de MLOps.
驴C贸mo puedo solucionar los problemas m谩s comunes durante la integraci贸n de YOLO11 y ClearML ?
Si se encuentra con problemas durante la integraci贸n de YOLO11 con ClearML, consulte nuestra gu铆a de problemas comunes para obtener soluciones y consejos. Los problemas t铆picos pueden ser errores de instalaci贸n de paquetes, instalaci贸n de credenciales o problemas de configuraci贸n. Esta gu铆a proporciona instrucciones paso a paso para resolver estos problemas comunes de manera eficiente.
驴C贸mo configuro la tarea ClearML para el entrenamiento del modelo YOLO11 ?
Configurar una tarea ClearML para el entrenamiento YOLO11 implica inicializar una tarea, seleccionar la variante del modelo, cargar el modelo, configurar los argumentos de entrenamiento y, finalmente, iniciar el entrenamiento del modelo. He aqu铆 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_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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)
Consulte nuestra Gu铆a de uso para obtener un desglose detallado de estos pasos.
驴D贸nde puedo consultar los resultados de mi formaci贸n en YOLO11 en ClearML?
Despu茅s de ejecutar su script de entrenamiento YOLO11 con ClearML, puede ver los resultados en la p谩gina de resultados ClearML . La salida incluir谩 un enlace URL al panel de control de ClearML , donde podr谩 realizar un seguimiento de las m茅tricas, comparar experimentos y supervisar el uso de recursos. Para m谩s detalles sobre c贸mo ver e interpretar los resultados, consulte nuestra secci贸n sobre C贸mo ver la p谩gina de resultados ClearML .
