Entraîner YOLO26 avec ClearML : simplifier ton workflow MLOps#

Le MLOps comble le fossé entre la création et le déploiement de modèles de machine learning dans des environnements réels. Il met l'accent sur un déploiement efficace, l'évolutivité et la gestion continue afin de garantir que les modèles fonctionnent correctement dans les applications pratiques.

Ultralytics YOLO26 s'intègre facilement à ClearML, ce qui simplifie et améliore l'entraînement et la gestion de ton modèle de détection d'objets. Ce guide te présentera le processus d'intégration en détaillant la configuration de ClearML, la gestion des expériences, l'automatisation de la gestion des modèles et la collaboration efficace.

ClearML#

ClearML est une plateforme MLOps open source innovante, conçue avec soin pour automatiser, surveiller et orchestrer les workflows de machine learning. Ses principales fonctionnalités comprennent la journalisation automatisée de toutes les données d'entraînement et d'inférence pour assurer la reproductibilité complète des expériences, une interface web intuitive pour faciliter la visualisation des données et leur analyse, des algorithmes d'optimisation avancés des hyperparamètres, ainsi qu'une gestion robuste des modèles pour un déploiement efficace sur différentes plateformes.

Entraîner YOLO26 avec ClearML#

Tu peux automatiser et améliorer l'efficacité de ton workflow de machine learning en intégrant YOLO26 à ClearML afin d'optimiser ton processus d'entraînement.

Installation#

Pour installer les packages requis, exécute :

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

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées au processus d'installation, consulte 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 trouver des solutions et des conseils.

Configurer ClearML#

Une fois les packages nécessaires installés, l'étape suivante consiste à initialiser et configurer ton SDK ClearML. Cela implique de créer ton compte ClearML et d'obtenir les identifiants nécessaires pour établir une connexion fluide 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, ouvre la page des paramètres de ClearML. Accède à l'angle supérieur droit et sélectionne « Settings ». Ouvre la section « Workspace » et clique sur « Create new credentials ». Utilise les identifiants fournis dans la fenêtre contextuelle « Create Credentials » pour terminer la configuration en suivant les instructions, selon que tu configures ClearML dans un Jupyter Notebook ou dans un environnement Python local.

Utilisation#

Avant de passer aux instructions d'utilisation, consulte la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

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",
)

Comprendre le code#

Une fois ClearML installé et configuré, son callback est activé par défaut. Il crée une tâche au début de l'entraînement, utilise les arguments YOLO project et name pour définir les noms du projet et de la tâche ClearML, puis connecte automatiquement les arguments d'entraînement. Exécute yolo settings clearml=False pour désactiver l'intégration. Pour connaître les options d'entraînement et les bonnes pratiques, consulte le guide d'entraînement des modèles YOLO26.

Comprendre la sortie#

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

• Un message de confirmation indiquant la création d'une nouvelle tâche ClearML, accompagné de son identifiant unique.
• Un message d'information indiquant que le code du script est enregistré et que l'exécution du code est suivie par ClearML.
• Un lien URL vers la page des résultats ClearML, où tu peux suivre la progression de l'entraînement et consulter des journaux détaillés.
• La progression du téléchargement du modèle YOLO26 et du jeu de données spécifié, suivie d'un résumé de l'architecture du modèle et de la configuration de l'entraînement.
• Des messages d'initialisation pour différents composants de l'entraînement, tels que TensorBoard, la précision mixte automatique (AMP) et la préparation du jeu de données.
• Enfin, le processus d'entraînement démarre et affiche des mises à jour de progression à mesure que le modèle s'entraîne sur le jeu de données spécifié. Pour comprendre en profondeur les métriques de performance utilisées pendant l'entraînement, consulte notre guide sur les métriques de performance.

Consulter 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.

Principales fonctionnalités de la page des résultats ClearML#

• Suivi des métriques en temps réel

  • Suis les métriques essentielles telles que la perte, l'exactitude et les scores de validation au fur et à mesure de leur calcul.
  • Fournit un retour immédiat pour ajuster rapidement les performances du modèle.

• Comparaison des expériences

  • Compare différentes exécutions d'entraînement côte à côte.
  • Indispensable 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 métriques et aux sorties de la console.
  • Comprends mieux le comportement du modèle et la résolution des problèmes.

• Surveillance de l'utilisation des ressources

  • Surveille l'utilisation des ressources de calcul, notamment du CPU, du GPU et de la mémoire.
  • Essentiel pour optimiser l'efficacité et les coûts de l'entraînement.

• Gestion des artefacts de modèle

  • Consulte, télécharge et partage des artefacts de modèle tels que les modèles entraînés et les checkpoints.
  • Améliore la collaboration et simplifie le déploiement des modèles ainsi que leur partage.

Pour découvrir visuellement à quoi ressemble la page des résultats ClearML, regarde la vidéo ci-dessous :

Fonctionnalités avancées de 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 d'expériences sur différentes machines. Elle journalise des informations essentielles telles que les packages installés et les modifications non validées. Lorsqu'une tâche est mise en file d'attente, le ClearML Agent la récupère, recrée l'environnement et exécute l'expérience, puis renvoie des résultats détaillés.

Le déploiement d'un ClearML Agent est simple et peut être effectué sur différentes machines à l'aide de la commande suivante :

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

Cette configuration s'applique aux machines virtuelles cloud, aux GPU locaux ou aux ordinateurs portables. Les ClearML Autoscalers t'aident à gérer les workloads cloud sur des plateformes telles qu'AWS, GCP et Azure, en automatisant le déploiement des agents et en ajustant les ressources en fonction de ton budget de ressources.

Clonage, modification et mise en file d'attente#

L'interface conviviale de ClearML permet de cloner, modifier et mettre facilement des tâches en file d'attente. Tu peux cloner une expérience existante, ajuster des paramètres ou d'autres détails via l'interface, puis mettre la tâche en file d'attente pour son exécution. Ce processus simplifié garantit que le ClearML Agent qui exécute la tâche utilise les configurations mises à jour, ce qui le rend idéal pour l'expérimentation itérative et l'affinage des modèles.

Gestion des versions des jeux de données#

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

• Gérer les versions de tes jeux de données indépendamment de ton code
• Suivre la version du jeu de données utilisée pour chaque expérience
• Accéder facilement à la dernière version du jeu de données et la télécharger

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

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

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

3. Téléverse ton jeu de données à l'aide de l'outil ClearML Data :

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

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

Résumé#

Ce guide t'a accompagné tout au long du processus d'intégration de ClearML à YOLO26 d'Ultralytics. De la configuration initiale à la gestion avancée des modèles, tu as découvert comment exploiter ClearML pour réaliser des entraînements efficaces, suivre tes expériences et optimiser tes workflows dans tes projets de machine learning.

Pour plus de détails sur l'utilisation, consulte le guide officiel d'intégration de YOLOv8 à ClearML, qui s'applique également aux workflows YOLO26.

Explore également les autres intégrations et fonctionnalités d'Ultralytics en consultant la page du guide des intégrations Ultralytics, qui regorge de ressources et d'informations utiles.

FAQ#