Link to this sectionEntraînement de YOLO26 avec ClearML : Simplifie ton workflow 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.

Link to this sectionClearML#

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

Link to this sectionEntraînement 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.

Link to this sectionInstallation#

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 liées au processus d'installation, assure-toi de consulter notre guide d'installation 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.

Link to this sectionConfiguration 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, 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 dans un environnement Python local.

Link to this sectionUtilisation#

Avant de plonger dans les instructions d'utilisation, assure-toi de jeter un œil à la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le plus approprié pour les exigences 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)

Link to this sectionComprendre 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 une 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 des modèles 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.

Link to this sectionComprendre 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 comme TensorBoard, la précision mixte (AMP) automatique, 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.

Link to this sectionVisualisation 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.

Link to this sectionFonctionnalités clés de la page de résultats ClearML#

• Suivi des métriques en temps réel

  • Suis des métriques critiques comme 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 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 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 simplifie le déploiement de modèles et le partage.

Pour une présentation visuelle de l'aspect de la page de résultats ClearML, regarde la vidéo ci-dessous :

Link to this sectionFonctionnalités avancées dans ClearML#

ClearML propose plusieurs fonctionnalités avancées pour améliorer ton expérience MLOps.

Link to this sectionExécution à distance#

La fonctionnalité d'exécution à distance de ClearML facilite la reproduction et la manipulation d'expériences sur différentes machines. Elle enregistre des détails essentiels comme 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, en rapportant 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 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, automatisant le déploiement des agents et ajustant les ressources en fonction de ton budget de ressources.

Link to this sectionClonage, 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.

Link to this sectionGestion des versions des jeux de données#

ClearML offre également de puissantes capacités de gestion des versions de jeux de données qui s'intègrent parfaitement aux workflows 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 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.

Link to this sectionRésumé#

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 d'intégration officiel YOLOv8 de ClearML, qui s'applique également aux workflows YOLO26.

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

Link to this sectionFAQ#

Link to this sectionQuel est le processus pour intégrer Ultralytics YOLO26 avec ClearML ?#

Intégrer Ultralytics YOLO26 avec ClearML implique une série d'étapes pour simplifier ton workflow 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 l'ensemble du processus de configuration, y compris la sélection du modèle et les configurations d'entraînement, peuvent être trouvées dans notre guide d'entraînement des modèles YOLO26.

Link to this sectionPourquoi 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 workflows 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 aident à optimiser les performances de ton modèle et à rendre le processus de développement plus efficace. Apprends-en plus sur les avantages et les procédures dans notre guide d'intégration MLOps.

Link to this sectionComment résoudre 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.

Link to this sectionComment configurer la tâche ClearML pour l'entraînement du modèle YOLO26 ?#

Configurer une tâche ClearML pour l'entraînement de YOLO26 implique d'initialiser une tâche, de sélectionner la variante du modèle, de charger le modèle, de définir les arguments d'entraînement et, enfin, de démarrer 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 analyse détaillée de ces étapes.

Link to this sectionOù puis-je voir les résultats de mon entraînement YOLO26 dans ClearML ?#

Après avoir exécuté ton script d'entraînement YOLO26 avec ClearML, tu peux voir les résultats sur la page de résultats ClearML. La sortie inclura un lien URL vers le tableau de bord ClearML, où tu peux 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 de résultats ClearML.