Formation YOLO11 avec ClearML: Rationalisation de ton flux de travail MLOps
MLOps comble le fossé entre la création et le déploiement de modèles d'apprentissage automatique dans le monde réel. Il se concentre sur le déploiement efficace, l'évolutivité et la gestion continue pour s'assurer que les modèles fonctionnent bien dans les applications pratiques.
Ultralytics YOLO11 s'intègre sans effort à ClearML, rationalisant et améliorant la formation et la gestion de ton modèle de détection d'objets. Ce guide t'accompagnera tout au long du 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 habilement conçue pour automatiser, surveiller et orchestrer les flux de travail d'apprentissage automatique. Ses principales caractéristiques comprennent l'enregistrement automatisé de toutes les données d'entraînement et d'inférence pour une reproductibilité totale des expériences, une interface Web intuitive pour une visualisation et une analyse faciles des données, des algorithmes avancés d'optimisation des hyperparamètres et une gestion robuste des modèles pour un déploiement efficace sur diverses plateformes.
YOLO11 Formation avec ClearML
Tu peux apporter de l'automatisation et de l'efficacité à ton flux de travail d'apprentissage automatique en améliorant ton processus de formation en intégrant YOLO11 à ClearML.
Installation
Pour installer les paquets nécessaires, exécute :
Pour obtenir des instructions détaillées et les meilleures pratiques liées au processus d'installation, ne manque pas de consulter notre guide d'installation de YOLO11. Pendant l'installation des paquets requis pour YOLO11, si tu rencontres des difficultés, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.
Configurer ClearML
Une fois que tu as installé les paquets nécessaires, l'étape suivante consiste à initialiser et à configurer ton ClearML SDK. Cela implique de configurer ton compte ClearML et d'obtenir les informations d'identification 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 d'installation et t'invite à fournir les informations d'identification nécessaires.
Après avoir exécuté cette commande, visite la pageClearML Settings. Navigue dans le coin supérieur droit et sélectionne "Paramètres". Va dans la section "Espace de travail" et clique sur "Créer de nouvelles informations d'identification". Utilise les informations d'identification fournies dans la fenêtre contextuelle "Create Credentials" pour terminer la configuration selon les instructions, selon que tu configures ClearML dans un Jupyter Notebook ou dans un environnement local Python .
Utilisation
Avant de plonger dans les instructions d'utilisation, assure-toi de vérifier la gamme de modèles YOLO11 proposés par Ultralytics. Cela t'aidera à choisir le modèle le plus approprié aux exigences de ton projet.
Utilisation
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)
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 les noms de ton projet et de ta tâche. Cette tâche suivra et gérera l'entraînement de ton modèle.
Étape 2 : Sélection du modèle YOLO11: Le model_variant La variable est définie sur 'yolo11n', l'un des modèles YOLO11. Cette variante est ensuite enregistrée sur ClearML pour le suivi.
Étape 3 : Chargement du modèle YOLO11: Le modèle YOLO11 sélectionné est chargé à l'aide de la classe Ultralytics'YOLO , ce qui le prépare à l'entraînement.
Étape 4 : Mise en place d'arguments de formation: Les arguments clés de l'entraînement comme l'ensemble de données (coco8.yaml) et le nombre de époques (16) sont organisées dans un dictionnaire et reliées à la tâche ClearML . Cela permet un suivi et une modification potentielle via l'interface utilisateur ClearML . Pour une compréhension détaillée du processus de formation des modèles et des meilleures pratiques, reporte-toi à notre site Web. Modèle YOLO11 Guide de formation.
Étape 5 : Initier la formation au modèle: La formation du modèle est lancée avec les arguments spécifiés. Les résultats du processus de formation sont capturés dans le fichier results variable.
Comprendre les résultats
En exécutant l'extrait de code d'utilisation ci-dessus, tu peux t'attendre à obtenir le résultat suivant :
- Un message de confirmation indiquant la création d'une nouvelle tâche ClearML , ainsi que son identifiant unique.
- Un message d'information sur le code du script stocké, indiquant que l'exécution du code est suivie par ClearML.
- Un lien URL vers la page de résultats ClearML où tu peux suivre la progression de l'entraînement et consulter des journaux détaillés.
- Progression du téléchargement pour le modèle YOLO11 et le jeu de données spécifié, suivie d'un résumé de l'architecture du modèle et de la configuration de l'entraînement.
- Messages d'initialisation pour divers composants de formation comme TensorBoard, la précision mixte automatique (AMP) et la préparation des jeux de données.
- Enfin, le processus de formation commence, avec des mises à jour de la progression au fur et à mesure que le modèle s'entraîne sur l'ensemble de données spécifié. Pour une compréhension approfondie des mesures de performance utilisées pendant la formation, lis notre guide sur les mesures de performance.
Visualisation de la page de résultats ClearML
En cliquant sur le lien URL vers la page de résultats ClearML dans la sortie de l'extrait de code d'utilisation, tu peux accéder à une vue d'ensemble du processus de formation de ton modèle.
Principales caractéristiques de la page de résultats ClearML
Suivi des mesures en temps réel
- Effectue le suivi des mesures critiques telles que les pertes, la précision et les scores de validation au fur et à mesure qu'elles se produisent.
- Fournit un retour d'information immédiat permettant d'ajuster les performances du modèle en temps voulu.
Comparaison des expériences
- Compare différentes séries 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, à des représentations graphiques des mesures et à des sorties de console.
- Comprends mieux le comportement des modèles et la résolution des problèmes.
Surveillance de l'utilisation des ressources
- Surveille l'utilisation des ressources informatiques, y compris CPU, GPU, et la mémoire.
- La clé pour optimiser l'efficacité et les coûts de la formation.
Gestion des artefacts du modèle
- Visualise, télécharge et partage les artefacts du modèle comme les modèles formés et les points de contrôle.
- Améliore la collaboration et rationalise le déploiement et le partage des modèles.
Pour une démonstration visuelle de ce à quoi ressemble la page de résultats ClearML , regarde la vidéo ci-dessous :
Regarde : YOLO11 Intégration des MLOps à l'aide de ClearML
Fonctions avancées dans ClearML
ClearML offre plusieurs fonctions avancées pour améliorer ton expérience de MLOps.
Exécution à distance
ClearMLLa fonction d'exécution à distance du logiciel facilite la reproduction et la manipulation d'expériences sur différentes machines. Elle enregistre des détails essentiels tels que les paquets installés et les changements non validés. Lorsqu'une tâche est mise en file d'attente, l'agent ClearML l'extrait, recrée l'environnement et exécute l'expérience, en communiquant des résultats détaillés.
Le déploiement d'un agent ClearML est simple et peut être effectué sur différentes machines à l'aide de la commande suivante :
Cette configuration est applicable aux VM du cloud, aux GPU locaux ou aux ordinateurs portables. ClearML Les autoscalers aident à gérer les charges de travail dans le 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
ClearMLL'interface conviviale du logiciel permet de cloner, d'éditer et de mettre en file d'attente les tâches. Les utilisateurs peuvent cloner une expérience existante, ajuster les paramètres ou d'autres détails par le biais de l'interface utilisateur, et mettre la tâche en file d'attente pour exécution. Ce processus rationalisé garantit que l'agent ClearML qui exécute la tâche utilise des configurations mises à jour, ce qui en fait un outil idéal pour l'expérimentation itérative et la mise au point du modèle.
Résumé
Ce guide t'a guidé à travers le processus d'intégration de ClearML avec Ultralytics' YOLO11. En couvrant tous les aspects, de la configuration initiale à la gestion avancée des modèles, tu as découvert comment tirer parti de ClearML pour une formation 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, consulte la documentation officielle deClearML.
De plus, explore d'autres intégrations et capacités de Ultralytics en visitant la page du guide d'intégration deUltralytics , qui est une mine de ressources et d'informations.
FAQ
Quel est le processus d'intégration de Ultralytics YOLO11 avec ClearML?
Intégrer Ultralytics YOLO11 avec ClearML implique une série d'étapes pour rationaliser ton flux de travail MLOps. Tout d'abord, installe les paquets nécessaires :
Ensuite, initialise le SDK ClearML dans ton environnement en utilisant :
Tu peux ensuite configurer ClearML avec tes identifiants à partir de la pageClearML Settings. Des instructions détaillées sur l'ensemble du processus d'installation, y compris la sélection du modèle et les configurations de formation, sont disponibles dans notre guide de formation au modèle YOLO11.
Pourquoi devrais-je utiliser ClearML avec Ultralytics YOLO11 pour mes projets d'apprentissage automatique ?
L'utilisation de ClearML avec Ultralytics YOLO11 améliore tes projets d'apprentissage automatique en automatisant le suivi des expériences, en rationalisant les flux de travail et en permettant une gestion robuste des modèles. ClearML offre un suivi des métriques en temps réel, une surveillance de l'utilisation des ressources et une interface conviviale pour comparer les expériences. Ces fonctionnalités permettent d'optimiser les performances de ton modèle et de rendre le processus de développement plus efficace. Pour en savoir plus sur les avantages et les procédures, consulte notre guide d'intégration de MLOps.
Comment résoudre les problèmes courants lors de l'intégration de YOLO11 et de ClearML ?
Si tu rencontres des problèmes lors de l'intégration de YOLO11 avec ClearML, consulte notre guide des problèmes courants pour trouver des solutions et des conseils. Les problèmes typiques peuvent concerner des erreurs d'installation de paquets, la mise en place de justificatifs d'identité ou des problèmes de configuration. Ce guide fournit des instructions de dépannage étape par étape pour résoudre efficacement ces problèmes courants.
Comment configurer la tâche ClearML pour l'entraînement au modèle YOLO11 ?
La configuration d'une tâche ClearML pour l'entraînement YOLO11 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 démarrage 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_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)
Reporte-toi à notre guide d'utilisation pour connaître le détail de ces étapes.
Où puis-je consulter les résultats de ma formation YOLO11 sur ClearML?
Après avoir exécuté ton script de formation YOLO11 avec ClearML, tu peux voir les résultats sur la page de résultats ClearML . La sortie comprendra un lien URL vers le tableau de bord ClearML , où tu pourras suivre les mesures, comparer les expériences et surveiller l'utilisation des ressources. Pour plus de détails sur la façon de visualiser et d'interpréter les résultats, consulte notre section sur la visualisation de la page de résultats ClearML .
