Entraîner YOLO26 avec ClearML : Simplifie ton flux de travail MLOps

Le MLOps comble le fossé entre la création et le déploiement de modèles d'apprentissage automatique dans des environnements réels. Il se concentre sur un déploiement efficace, l'évolutivité et une gestion continue pour garantir que les modèles fonctionnent bien dans des applications pratiques.

Ultralytics YOLO26 s'intègre sans effort avec ClearML, simplifiant et améliorant l'entraînement et la gestion de ton modèle de détection d'objets. Ce guide te guidera à travers le processus d'intégration, en détaillant comment configurer ClearML, gérer les expériences, automatiser la gestion des modèles et collaborer efficacement.

ClearML

ClearML est une plateforme MLOps open-source innovante, conçue avec expertise pour automatiser, surveiller et orchestrer les flux de travail d'apprentissage automatique. Ses fonctionnalités clés incluent la journalisation automatisée de toutes les données d'entraînement et d'inférence pour une reproductibilité complète des expériences, une interface utilisateur web intuitive pour une visualisation de données et une analyse faciles, des algorithmes d'optimisation avancés pour les hyperparamètres, et une gestion robuste des modèles pour un déploiement efficace sur diverses plateformes.

Entraînement YOLO26 avec ClearML

Tu peux apporter automatisation et efficacité à ton flux de travail d'apprentissage automatique en intégrant YOLO26 avec ClearML pour améliorer ton processus d'entraînement.

Installation

Pour installer les packages requis, exécute :

# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearml

Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, assure-toi de consulter notre guide d'installation de YOLO26. Si tu rencontres des difficultés lors de l'installation des packages requis pour YOLO26, consulte notre guide des problèmes courants pour obtenir des solutions et des conseils.

Configuration de ClearML

Une fois que tu as installé les packages nécessaires, l'étape suivante consiste à initialiser et configurer ton SDK ClearML. Cela implique de configurer ton compte ClearML et d'obtenir les identifiants nécessaires pour une connexion transparente entre ton environnement de développement et le serveur ClearML.

Commence par initialiser le SDK ClearML dans ton environnement. La commande clearml-init lance le processus de configuration et te demande les identifiants nécessaires.

# Initialize your ClearML SDK setup process
clearml-init

Après avoir exécuté cette commande, visite la page des paramètres ClearML. Navigue vers le coin supérieur droit et sélectionne « Settings ». Va dans la section « Workspace » et clique sur « Create new credentials ». Utilise les identifiants fournis dans la fenêtre contextuelle « Create Credentials » pour terminer la configuration comme indiqué, selon que tu configures ClearML dans un Jupyter Notebook ou un environnement Python local.

Utilisation

Avant de plonger dans les instructions d'utilisation, assure-toi de consulter la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le plus approprié pour les besoins de ton projet.

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)

Comprendre le code

Comprenons les étapes présentées dans l'extrait de code d'utilisation ci-dessus.

Étape 1 : Création d'une tâche ClearML : Une nouvelle tâche est initialisée dans ClearML, en spécifiant tes noms de projet et de tâche. Cette tâche suivra et gérera l'entraînement de ton modèle.

Étape 2 : Sélection du modèle YOLO26 : La variable model_variant est définie sur 'yolo26n', l'un des modèles YOLO26. Cette variante est ensuite enregistrée dans ClearML pour le suivi.

Étape 3 : Chargement du modèle YOLO26 : Le modèle YOLO26 sélectionné est chargé en utilisant la classe YOLO d'Ultralytics, le préparant pour l'entraînement.

Étape 4 : Configuration des arguments d'entraînement : Les arguments d'entraînement clés comme le jeu de données (coco8.yaml) et le nombre d'époques (16) sont organisés dans un dictionnaire et connectés à la tâche ClearML. Cela permet le suivi et la modification potentielle via l'interface utilisateur de ClearML. Pour une compréhension détaillée du processus d'entraînement du modèle et des meilleures pratiques, réfère-toi à notre guide d'entraînement du modèle YOLO26.

Étape 5 : Lancement de l'entraînement du modèle : L'entraînement du modèle est démarré avec les arguments spécifiés. Les résultats du processus d'entraînement sont capturés dans la variable results.

Comprendre la sortie

Après avoir exécuté l'extrait de code d'utilisation ci-dessus, tu peux t'attendre à la sortie suivante :

• Un message de confirmation indiquant la création d'une nouvelle tâche ClearML, avec son ID unique.
• Un message informatif sur le stockage du code du script, indiquant que l'exécution du code est suivie par ClearML.
• Un lien URL vers la page des résultats ClearML où tu peux surveiller la progression de l'entraînement et consulter des journaux détaillés.
• La progression du téléchargement pour le modèle YOLO26 et le jeu de données spécifié, suivi d'un résumé de l'architecture du modèle et de la configuration de l'entraînement.
• Des messages d'initialisation pour divers composants d'entraînement comme TensorBoard, la précision mixte automatique (AMP) et la préparation du jeu de données.
• Enfin, le processus d'entraînement commence, avec des mises à jour de progression à mesure que le modèle s'entraîne sur le jeu de données spécifié. Pour une compréhension approfondie des métriques de performance utilisées pendant l'entraînement, lis notre guide sur les métriques de performance.

Visualisation de la page des résultats ClearML

En cliquant sur le lien URL vers la page des résultats ClearML dans la sortie de l'extrait de code d'utilisation, tu peux accéder à une vue complète du processus d'entraînement de ton modèle.

Fonctionnalités clés de la page des résultats ClearML

• Suivi des métriques en temps réel

  • Suis les métriques critiques comme la perte, la précision et les scores de validation au fur et à mesure.
  • Fournit un retour immédiat pour des ajustements opportuns des performances du modèle.

• Comparaison d'expériences

  • Compare différents cycles d'entraînement côte à côte.
  • Essentiel pour le réglage des hyperparamètres et l'identification des modèles les plus efficaces.

• Journaux et sorties détaillés

  • Accède à des journaux complets, des représentations graphiques des métriques et des sorties de console.
  • Obtiens une compréhension plus profonde du comportement du modèle et de la résolution des problèmes.

• Surveillance de l'utilisation des ressources

  • Surveille l'utilisation des ressources informatiques, y compris CPU, GPU et mémoire.
  • Clé pour optimiser l'efficacité de l'entraînement et les coûts.

• Gestion des artefacts de modèle

  • Visualise, télécharge et partage des artefacts de modèle comme les modèles entraînés et les points de contrôle.
  • Améliore la collaboration et simplifie le déploiement de modèles et le partage.

Pour une visite visuelle de ce à quoi ressemble la page des résultats ClearML, regarde la vidéo ci-dessous :

Fonctionnalités avancées dans ClearML

ClearML propose plusieurs fonctionnalités avancées pour améliorer ton expérience MLOps.

Exécution à distance

La fonctionnalité d'exécution à distance de ClearML facilite la reproduction et la manipulation des expériences sur différentes machines. Elle enregistre des détails essentiels comme les packages installés et les changements non validés. Lorsqu'une tâche est mise en file d'attente, le ClearML Agent la récupère, recrée l'environnement et exécute l'expérience, en rapportant des résultats détaillés.

Le déploiement d'un ClearML Agent est simple et peut être effectué sur diverses machines en utilisant la commande suivante :

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

Cette configuration est applicable aux machines virtuelles cloud, aux GPU locaux ou aux ordinateurs portables. Les ClearML Autoscalers aident à gérer les charges de travail cloud sur des plateformes comme AWS, GCP et Azure, en automatisant le déploiement des agents et en ajustant les ressources en fonction de ton budget de ressources.

Clonage, édition et mise en file d'attente

L'interface conviviale de ClearML permet un clonage, une édition et une mise en file d'attente faciles des tâches. Tu peux cloner une expérience existante, ajuster les paramètres ou d'autres détails via l'interface utilisateur, et mettre la tâche en file d'attente pour exécution. Ce processus simplifié garantit que le ClearML Agent exécutant la tâche utilise des configurations mises à jour, ce qui le rend idéal pour l'expérimentation itérative et le réglage fin des modèles.

Gestion des versions des jeux de données

ClearML propose également de puissantes capacités de gestion des versions de jeux de données qui s'intègrent parfaitement aux flux de travail d'entraînement YOLO26. Cette fonctionnalité te permet de :

• Versionner tes jeux de données séparément de ton code
• Suivre quelle version du jeu de données a été utilisée pour chaque expérience
• Accéder facilement et télécharger la dernière version du jeu de données

Pour préparer ton jeu de données pour ClearML, suis ces étapes :

1. Organise ton jeu de données avec la structure standard YOLO (images, étiquettes, etc.)

2. Copie le fichier YAML correspondant à la racine de ton dossier de jeu de données

3. Téléverse ton jeu de données en utilisant l'outil ClearML Data :

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

Cette commande créera un jeu de données versionné dans ClearML qui pourra être référencé dans tes scripts d'entraînement, garantissant la reproductibilité et un accès facile à tes données.

Résumé

Ce guide t'a conduit à travers le processus d'intégration de ClearML avec le YOLO26 d'Ultralytics. En couvrant tout, de la configuration initiale à la gestion avancée des modèles, tu as découvert comment tirer parti de ClearML pour un entraînement efficace, un suivi des expériences et une optimisation du flux de travail dans tes projets d'apprentissage automatique.

Pour plus de détails sur l'utilisation, visite le guide d'intégration officiel de YOLOv8 de ClearML, qui s'applique également aux flux de travail YOLO26.

De plus, explore d'autres intégrations et capacités d'Ultralytics en visitant la page des guides d'intégration d'Ultralytics, qui est une mine de ressources et d'idées.

FAQ

Quel est le processus pour intégrer Ultralytics YOLO26 avec ClearML ?

L'intégration d'Ultralytics YOLO26 avec ClearML implique une série d'étapes pour simplifier ton flux de travail MLOps. D'abord, installe les packages nécessaires :

pip install ultralytics clearml

Ensuite, initialise le SDK ClearML dans ton environnement en utilisant :

clearml-init

Tu configures ensuite ClearML avec tes identifiants depuis la page des paramètres ClearML. Des instructions détaillées sur tout le processus de configuration, y compris la sélection du modèle et les configurations d'entraînement, peuvent être trouvées dans notre guide d'entraînement du modèle YOLO26.

Pourquoi devrais-je utiliser ClearML avec Ultralytics YOLO26 pour mes projets d'apprentissage automatique ?

Utiliser ClearML avec Ultralytics YOLO26 améliore tes projets d'apprentissage automatique en automatisant le suivi des expériences, en simplifiant les flux de travail et en permettant une gestion robuste des modèles. ClearML propose un suivi des métriques en temps réel, une surveillance de l'utilisation des ressources et une interface conviviale pour comparer les expériences. Ces fonctionnalités aident à optimiser les performances de ton modèle et à rendre le processus de développement plus efficace. Apprends-en davantage sur les avantages et les procédures dans notre guide d'intégration MLOps.

Comment puis-je dépanner les problèmes courants lors de l'intégration de YOLO26 et ClearML ?

Si tu rencontres des problèmes lors de l'intégration de YOLO26 avec ClearML, consulte notre guide des problèmes courants pour obtenir des solutions et des conseils. Les problèmes typiques peuvent impliquer des erreurs d'installation de packages, de configuration des identifiants ou des problèmes de configuration. Ce guide fournit des instructions de dépannage étape par étape pour résoudre ces problèmes courants efficacement.

Comment configurer la tâche ClearML pour l'entraînement du modèle YOLO26 ?

La configuration d'une tâche ClearML pour l'entraînement YOLO26 implique l'initialisation d'une tâche, la sélection de la variante du modèle, le chargement du modèle, la configuration des arguments d'entraînement et, enfin, le lancement de l'entraînement du modèle. Voici un exemple simplifié :

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)

Réfère-toi à notre guide d'utilisation pour une ventilation détaillée de ces étapes.

Où puis-je voir les résultats de mon entraînement YOLO26 dans ClearML ?

Après avoir exécuté ton script d'entraînement YOLO26 avec ClearML, tu peux visualiser les résultats sur la page des résultats ClearML. La sortie inclura un lien URL vers le tableau de bord ClearML, où tu pourras suivre les métriques, comparer les expériences et surveiller l'utilisation des ressources. Pour plus de détails sur la façon de voir et d'interpréter les résultats, consulte notre section sur la visualisation de la page des résultats ClearML.