Entraîner YOLO26 avec ClearML : simplifier ton flux de travail MLOps#

MLOps comble le fossé entre la création et le déploiement de modèles d’apprentissage automatique dans des situations réelles. Cette approche met l’accent sur l’efficacité du déploiement, l’évolutivité et la gestion continue afin de garantir les bonnes performances des modèles dans des applications pratiques.

Ultralytics YOLO26 s’intègre facilement à ClearML, simplifiant et améliorant l’entraînement et la gestion de ton modèle de détection d’objets. Ce guide te présente le processus d’intégration et explique 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 soin pour automatiser, superviser et orchestrer les flux de travail d’apprentissage automatique. Ses principales fonctionnalités comprennent la journalisation automatique 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 pour les hyperparamètres, ainsi qu’une gestion robuste des modèles pour faciliter leur déploiement sur diverses plateformes.

Entraînement de YOLO26 avec ClearML#

Tu peux automatiser et rendre plus efficace ton flux de travail d’apprentissage automatique en intégrant YOLO26 à ClearML afin d’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 obtenir des instructions détaillées et des bonnes pratiques concernant l’installation, consulte 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 conseils.

Configuration de ClearML#

Après avoir installé les paquets nécessaires, l’étape suivante consiste à initialiser et à configurer ton SDK ClearML. Tu dois pour cela créer ton compte ClearML et 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, consulte la page des paramètres ClearML. Va dans le coin supérieur droit et sélectionne « Settings ». Accède à 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 notebook Jupyter ou dans un environnement Python local.

Utilisation#

Avant de passer aux instructions d’utilisation, pense à découvrir 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

# Le rappel crée et connecte automatiquement la tâche ClearML
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 rappel est activé par défaut. Il crée une tâche au démarrage 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 a été stocké et que ClearML suit l’exécution du code.
• Un lien URL vers la page des résultats ClearML, où tu peux suivre la progression de l’entraînement et consulter les journaux détaillés.
• La progression du téléchargement du modèle YOLO26 et de l’ensemble de données spécifié, suivie d’un récapitulatif de l’architecture du modèle et de la configuration de l’entraînement.
• Des messages d’initialisation pour divers composants d’entraînement tels que TensorBoard, la précision mixte automatique (AMP) et la préparation de l’ensemble de données.
• Enfin, le processus d’entraînement démarre et affiche des mises à jour de progression pendant l’entraînement du modèle sur l’ensemble de données spécifié. Pour comprendre en profondeur les métriques de performance utilisées pendant l’entraînement, lis notre guide sur les métriques de performance.

Consulter la page des résultats ClearML#

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

Principales fonctionnalités de la page des résultats ClearML#

• Suivi des métriques en temps réel

  • Suis les métriques clés, comme la perte, la précision et les scores de validation, au fur et à mesure qu’elles sont calculées.
  • Fournit un retour immédiat pour ajuster rapidement les performances du modèle.

• Comparaison des expériences

  • Compare côte à côte différentes exécutions d’entraînement.
  • Indispensable pour le réglage des hyperparamètres et l’identification des modèles les plus efficaces.

• Journaux et sorties détaillés

  • Accède aux journaux complets, aux représentations graphiques des métriques et aux sorties de la console.
  • Comprends mieux le comportement du modèle et la résolution des problèmes.

• Suivi 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 les artefacts de modèle, tels que les modèles entraînés et les points de contrôle.
  • Facilite la collaboration et simplifie le déploiement des modèles et leur partage.

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

Fonctionnalités avancées de ClearML#

ClearML offre plusieurs fonctionnalités avancées pour améliorer ton expérience MLOps.

Exécution à distance#

La fonctionnalité d’exécution à distance de ClearML facilite la reproduction et la modification des expériences sur différentes machines. Elle consigne des informations essentielles, comme 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, puis renvoie des résultats détaillés.

Le déploiement d’un agent ClearML est simple et peut s’effectuer sur différentes machines à l’aide de la commande suivante :

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

Cette configuration convient aux machines virtuelles dans le cloud, aux GPU locaux ou aux ordinateurs portables. Les autoscalers ClearML 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.

Clonage, modification et mise en file d’attente#

L’interface conviviale de ClearML permet de cloner, de modifier et de mettre en file d’attente des tâches facilement. Les utilisateurs peuvent cloner une expérience existante, ajuster les paramètres ou d’autres détails dans l’interface, puis mettre la tâche en file d’attente pour l’exécuter. Ce processus simplifié garantit que le ClearML Agent qui exécute la tâche utilise les configurations mises à jour, ce qui est idéal pour les expérimentations itératives et l’ajustement fin 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 YOLO26. Cette fonctionnalité te permet de :

• Versionner 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 ces étapes :

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. Charge 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 crée dans ClearML un jeu de données versionné auquel tu peux faire référence dans tes scripts d’entraînement, ce qui garantit la reproductibilité et facilite l’accès à tes données.

Résumé#

Ce guide t’a accompagné dans l’intégration de ClearML avec YOLO26 d’Ultralytics. De la configuration initiale à la gestion avancée des modèles, tu as découvert comment tirer parti de ClearML pour optimiser l’entraînement, le suivi des expériences et les workflows dans tes projets de machine learning.

Pour en savoir plus sur son utilisation, consulte le guide officiel d’intégration de YOLOv8 de ClearML, qui s’applique également aux workflows YOLO26.

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

FAQ#