Formación YOLOv8 con ClearML: Racionalizar tu flujo de trabajo MLOps

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

Ultralytics YOLOv8 se integra sin esfuerzo con ClearML, agilizando 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 eficazmente.

ClearML

ClearML es una innovadora plataforma MLOps de código abierto hábilmente diseñada para automatizar, supervisar 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 total reproducibilidad de los experimentos, una interfaz de usuario web intuitiva para una fácil visualización y análisis de los datos, algoritmos avanzados de optimización de hiperparámetros y una sólida gestión de modelos para un despliegue eficaz en diversas plataformas.

YOLOv8 Formación con ClearML

Puedes aportar automatización y eficacia a tu flujo de trabajo de aprendizaje automático mejorando tu proceso de entrenamiento mediante la integración de YOLOv8 con ClearML.

Instalación

Para instalar los paquetes necesarios, ejecuta

# Install the required packages for YOLOv8 and ClearML
pip install ultralytics clearml

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónYOLOv8 . Mientras instalas los paquetes necesarios para YOLOv8, si encuentras alguna dificultad, consulta nuestra guía de Problemas comunes 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 ClearML . Esto implica configurar tu cuenta ClearML y obtener las credenciales necesarias para una conexión perfecta entre tu entorno de desarrollo y el servidor ClearML .

Empieza por inicializar el SDK ClearML en tu entorno. El comando 'clearml-init' inicia el proceso de configuración y te pide las credenciales necesarias.

# Initialize your ClearML SDK setup process
clearml-init

Después de ejecutar este comando, visita la página de ConfiguraciónClearML . Navega hasta la esquina superior derecha y selecciona "Configuración". Ve a la sección "Espacio de trabajo" y haz clic en "Crear nuevas credenciales". Utiliza las credenciales proporcionadas en la ventana emergente "Crear credenciales" para completar la configuración según las instrucciones, dependiendo de si estás configurando ClearML en un cuaderno Jupyter o en un entorno local Python .

Utilización

Antes de sumergirte en las instrucciones de uso, asegúrate de consultar la gama de modelosYOLOv8 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más apropiado 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_yolov8_task")

# Step 2: Selecting the YOLOv8 Model
model_variant = "yolov8n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLOv8 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 que se muestran en el fragmento de código de uso anterior.

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

Paso 2: Seleccionar el modelo YOLOv8: El model_variant se establece la variable 'yolov8n', uno de los modelos YOLOv8 . A continuación, esta variante se registra en ClearML para su seguimiento.

Paso 3: Carga del modelo YOLOv8 : El modelo YOLOv8 seleccionado se carga mediante la clase Ultralytics' YOLO , preparándolo para el entrenamiento.

Paso 4: Establecer argumentos de formación: Argumentos clave del 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 ClearML . Esto permite el seguimiento y la posible modificación a través de la interfaz de usuario de ClearML . Para conocer en detalle el proceso de formación de modelos y las mejores prácticas, consulta nuestro YOLOv8 Modelo de guía de formación.

Paso 5: Iniciar el entrenamiento del modelo: El entrenamiento del modelo se inicia con los argumentos especificados. Los resultados del proceso de entrenamiento se capturan en el archivo results variable.

Comprender la salida

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

• Un mensaje de confirmación indicando la creación de una nueva tarea ClearML , junto con su ID único.
• Un mensaje informativo sobre el código del script almacenado, indicando que la ejecución del código está siendo rastreada por ClearML.
• Un enlace URL a la página de resultados ClearML en la que puedes seguir el progreso del entrenamiento y ver registros detallados.
• Descarga el progreso del modelo YOLOv8 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 Automática (AMP) y preparación del conjunto de datos.
• Por último, 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 métricas de rendimiento utilizadas durante el entrenamiento, lee nuestra guía sobre métricas de rendimiento.

Ver la página de resultados ClearML

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

Características principales de la página de resultados ClearML

• Seguimiento de métricas en tiempo real

  • Realiza un seguimiento de las métricas críticas, 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 distintas series de entrenamiento una al lado de la otra.
  • Esencial para ajustar los hiperparámetros e identificar los modelos más eficaces.

• Registros y resultados detallados

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

• Supervisión de la utilización de recursos

  • Monitoriza la utilización de los recursos computacionales, incluyendo CPU, GPU y memoria.
  • Clave para optimizar la eficacia y los costes de la formación.

• Gestión de artefactos modelo

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

Si quieres ver cómo es la página de resultados ClearML , mira el siguiente vídeo:

Observa: YOLOv8 Integración de MLOps mediante ClearML

Funciones avanzadas en ClearML

ClearML ofrece varias funciones avanzadas para mejorar tu experiencia MLOps.

Ejecución remota

ClearMLfacilita la reproducción y manipulación de experimentos en diferentes máquinas. 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 con resultados detallados.

Desplegar un Agente ClearML es sencillo y puede hacerse 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 u ordenadores portátiles. 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 función de tu presupuesto de recursos.

Clonar, editar y poner en cola

ClearMLpermite clonar, editar y poner en cola tareas fácilmente. Los usuarios pueden clonar un experimento existente, ajustar los parámetros u otros detalles a través de la interfaz de usuario, y poner en cola la tarea para su ejecución. Este proceso simplificado garantiza que el Agente ClearML que ejecuta la tarea utiliza configuraciones actualizadas, lo que lo hace ideal para la experimentación iterativa y el ajuste fino del modelo.

Resumen

Esta guía te ha guiado a través del proceso de integración de ClearML con Ultralytics' YOLOv8. Cubriendo todo, desde la configuración inicial hasta la gestión avanzada de modelos, has descubierto cómo aprovechar ClearML para un entrenamiento eficaz, el seguimiento de experimentos y la optimización del flujo de trabajo en tus proyectos de aprendizaje automático.

Para más detalles sobre su uso, visita la documentación oficial deClearML.

Además, explora más integraciones y capacidades de Ultralytics visitando la página de la guía de integraciónUltralytics , que es un tesoro de recursos y conocimientos.

Comentarios