Entraînement de YOLO26 avec ClearML : Simplifie ton workflow MLOps#

Le MLOps comble le fossé entre la création et le déploiement de modèles de machine learning dans des environnements réels. Il se concentre sur un déploiement efficace, l'évolutivité et la gestion continue pour garantir de bonnes performances des modèles dans les applications pratiques.

Ultralytics YOLO26 s'intègre sans effort avec ClearML, rationalisant et améliorant l'entraînement 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 de machine learning. Ses principales fonctionnalités incluent l'enregistrement automatisé de toutes les données d'entraînement et d'inférence pour une reproductibilité complète des expériences, une interface utilisateur web intuitive pour faciliter la visualisation des données et l'analyse, des algorithmes d'optimisation avancés des hyperparamètres, ainsi qu'une gestion robuste des modèles pour un déploiement efficace sur diverses plateformes.

Entraînement de YOLO26 avec ClearML#

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

Installation#

Pour installer les paquets requis, exécute :

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

Pour des instructions détaillées et les meilleures pratiques concernant le processus d'installation, assure-toi de consulter notre guide d'installation de YOLO26. Si tu rencontres des difficultés lors de l'installation des paquets requis pour YOLO26, consulte notre guide des problèmes courants pour trouver des solutions et des astuces.

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 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, rends-toi sur la page des paramètres ClearML. Va dans 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 dans un environnement Python local.

Utilisation#

Avant de te lancer dans les instructions d'utilisation, assure-toi de découvrir la gamme de YOLO26 models offered by Ultralytics. Cela t'aidera à choisir le modèle le plus 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 démarrage de l'entraînement, utilise les arguments YOLO project et name pour les noms de projet et de tâche ClearML, et connecte automatiquement les arguments d'entraînement. Exécute yolo settings clearml=False pour désactiver l'intégration. Pour les options d'entraînement et les meilleures pratiques, consulte le guide d'entraînement des modèles YOLO26.

Comprendre la sortie#

En exécutant 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 d'information sur le script stocké, indiquant que l'exécution du code est suivie par ClearML.
• Un lien URL vers la page de 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, suivie d'un résumé de l'architecture du modèle et de la configuration de l'entraînement.
• Messages d'initialisation pour divers composants d'entraînement tels que TensorBoard, la précision mixte automatique (AMP) et la préparation du jeu de données.
• Enfin, le processus d'entraînement démarre, 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 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 complète du processus d'entraînement de ton modèle.

Fonctionnalités clés de la page de résultats ClearML#

• Suivi des métriques en temps réel

  • Suis les métriques critiques telles que la perte, la précision et les scores de validation au fur et à mesure qu'ils se produisent.
  • Fournit un retour immédiat pour des ajustements rapides des performances du modèle.

• Comparaison d'expériences

  • Compare différents cycles d'entraînement côte à côte.
  • Essentiel pour l'optimisation 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 approfondie du comportement du modèle et de la résolution des problèmes.

• Surveillance de l'utilisation des ressources

  • Surveille l'utilisation des ressources informatiques, y compris le CPU, le GPU et la 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 (checkpoints).
  • Améliore la collaboration et rationalise le déploiement de modèles ainsi que le partage.

Pour une présentation visuelle de l'aspect de la page de 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 fonction d'exécution à distance de ClearML facilite la reproduction et la manipulation des expériences sur différentes machines. Elle enregistre les détails essentiels tels que les paquets installés et les modifications non validées. Lorsqu'une tâche est mise en file d'attente, l'agent ClearML la récupère, recrée l'environnement et exécute l'expérience, en renvoyant des résultats détaillés.

Déployer 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 s'applique aux machines virtuelles cloud, aux GPU locaux ou aux ordinateurs portables. Les autoscalers ClearML aident à gérer les charges de travail 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 un clonage, une modification 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 offre également de puissantes capacités de gestion des versions de jeux de données qui s'intègrent de manière transparente aux flux de travail d'entraînement de 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 et télécharger facilement 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 YOLO standard (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 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 workflow dans tes projets d'apprentissage automatique.

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

De plus, explore d'autres intégrations et fonctionnalités d'Ultralytics en visitant la page du guide d'intégration d'Ultralytics, qui est une mine de ressources et d'informations.

FAQ#