Formation YOLO11 avec ClearML: Rationalisation de votre 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 afin de garantir que les modèles fonctionnent bien dans les applications pratiques.
Ultralytics YOLO11 s'intègre facilement à ClearML, rationalisant et améliorant la formation et la gestion de votre modèle de détection d'objets. Ce guide vous guidera 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 automatique de toutes les données d'entraînement et d'inférence pour une reproductibilité totale de l'expérience, une interface web intuitive pour une visualisation et une analyse aisées des données, des algorithmes avancés d 'optimisation des hyperparamètres et une gestion robuste des modèles pour un déploiement efficace sur différentes plateformes.
YOLO11 Formation avec ClearML
Vous pouvez apporter de l'automatisation et de l'efficacité à votre flux de travail d'apprentissage automatique en améliorant votre processus de formation en intégrant YOLO11 avec ClearML.
Installation
Pour installer les paquets nécessaires, exécutez :
Pour des instructions détaillées et les meilleures pratiques relatives au processus d'installation, veuillez consulter notre guide d'installationYOLO11 . Lors de l'installation des paquets requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.
Configuration ClearML
Une fois que vous avez installé les paquets nécessaires, l'étape suivante consiste à initialiser et à configurer votre SDK ClearML . Cela implique de configurer votre compte ClearML et d'obtenir les informations d'identification nécessaires pour une connexion transparente entre votre environnement de développement et le serveur ClearML .
Commencez par initialiser le SDK ClearML dans votre environnement. La commande "clearml-init " lance le processus d'installation et vous invite à fournir les informations d'identification nécessaires.
Après avoir exécuté cette commande, visitez la pageClearML Settings. Naviguez vers le coin supérieur droit et sélectionnez "Settings". Allez dans la section "Workspace" et cliquez sur "Create new credentials". Utilisez les informations d'identification fournies dans la fenêtre contextuelle "Create Credentials" pour terminer la configuration comme indiqué, selon que vous configurez ClearML dans un bloc-notes Jupyter ou dans un environnement local Python .
Utilisation
Avant de vous plonger dans les instructions d'utilisation, n'oubliez pas de consulter la gamme de modèlesYOLO11 proposée par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié aux exigences de votre 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 votre projet et de votre tâche. Cette tâche suivra et gérera l'entraînement de votre modèle.
Étape 2 : Sélection du modèle YOLO11: Le model_variant est définie sur "yolo11n", l'un des modèles YOLO11 . Cette variante est ensuite enregistrée dans ClearML à des fins de 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 la formation.
Étape 4 : Mise en place d'arguments de formation: Les arguments clés de l'apprentissage, tels que 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, veuillez vous référer à notre site web YOLO11 Modèle Guide de formation.
Étape 5 : Initier la formation au modèle: L'apprentissage du modèle est lancé avec les arguments spécifiés. Les résultats du processus de formation sont capturés dans le fichier results variable.
Comprendre les résultats
Lorsque vous exécutez l'extrait de code ci-dessus, vous pouvez vous 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 vous pouvez suivre la progression de l'entraînement et consulter des journaux détaillés.
- Progression du téléchargement du modèle YOLO11 et de l'ensemble 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 tels que TensorBoard, Automatic Mixed Precision (AMP), et préparation des ensembles de données.
- Enfin, le processus de formation démarre, 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, lisez 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, vous pouvez accéder à une vue d'ensemble du processus de formation de votre modèle.
Principales caractéristiques de la page de résultats ClearML
-
Suivi des mesures en temps réel
- Suivre les indicateurs critiques tels que les pertes, la précision et les scores de validation au fur et à mesure qu'ils se produisent.
- Fournit un retour d'information immédiat permettant d'ajuster les performances du modèle en temps voulu.
-
Comparaison des expériences
- Comparez différentes séries d'entraînements les unes avec les autres.
- Essentiel pour le réglage des hyperparamètres et l'identification des modèles les plus efficaces.
-
Journaux et sorties détaillés
- Accédez à des journaux complets, à des représentations graphiques des mesures et à des sorties de console.
- Acquérir une meilleure compréhension du comportement du modèle et de la résolution des problèmes.
-
ContrĂ´le de l'utilisation des ressources
- Surveiller l'utilisation des ressources informatiques, notamment CPU, GPU, et la mémoire.
- La clé de l'optimisation de l'efficacité et des coûts de la formation.
-
Gestion des artefacts du modèle
- Visualiser, télécharger et partager des artefacts de modèles tels que des modèles formés et des points de contrôle.
- Améliore la collaboration et rationalise le déploiement et le partage des modèles.
Pour une présentation visuelle de la page de résultats ClearML , regardez la vidéo ci-dessous :
Regarder : YOLO11 Intégration de MLOps à l'aide de ClearML
Fonctionnalités avancées dans ClearML
ClearML offre plusieurs fonctionnalités avancées pour améliorer votre expérience 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 modifications non validées. 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 plusieurs machines à l'aide de la commande suivante :
Cette configuration s'applique aux VM en nuage, aux GPU locaux ou aux ordinateurs portables. ClearML Les autoscalers aident à gérer les charges de travail en nuage sur des plateformes comme AWS, GCP et Azure, en automatisant le déploiement d'agents et en ajustant les ressources en fonction de votre budget de ressources.
Clonage, modification et mise en file d'attente
ClearMLL'interface conviviale du logiciel permet de cloner, d'éditer et de mettre en file d'attente des tâches en toute simplicité. Les utilisateurs peuvent 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 rationalisé garantit que l'agent ClearML qui exécute la tâche utilise des configurations actualisées, ce qui en fait un outil idéal pour l'expérimentation itérative et la mise au point de modèles.
Résumé
Ce guide vous a guidé tout au long du processus d'intégration de ClearML avec Ultralytics'YOLO11. De la configuration initiale à la gestion avancée des modèles, vous avez découvert comment tirer parti de ClearML pour une formation efficace, le suivi des expériences et l'optimisation du flux de travail dans vos projets d'apprentissage automatique.
Pour plus de détails sur l'utilisation, consultez la documentation officielle deClearML.
En outre, vous pouvez explorer 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?
L'intégration de Ultralytics YOLO11 avec ClearML implique une série d'étapes pour rationaliser votre flux de travail MLOps. Tout d'abord, installez les paquets nécessaires :
Ensuite, initialisez le SDK ClearML dans votre environnement en utilisant :
Vous configurez ensuite ClearML à l'aide de vos informations d'identification 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, peuvent être trouvées dans notre guide de formation au modèleYOLO11 .
Pourquoi devrais-je utiliser ClearML avec Ultralytics YOLO11 pour mes projets d'apprentissage automatique ?
L'utilisation de ClearML avec Ultralytics YOLO11 améliore vos 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 mesures 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 votre modèle et de rendre le processus de développement plus efficace. Pour en savoir plus sur les avantages et les procédures, consultez notre guide d'intégration MLOps.
Comment résoudre les problèmes courants lors de l'intégration de YOLO11 et ClearML ?
Si vous rencontrez des problèmes lors de l'intégration de YOLO11 avec ClearML, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils. Les problèmes typiques peuvent concerner des erreurs d'installation de paquets, la mise en place d'informations d'identification 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 la formation au modèle YOLO11 ?
La configuration d'une tâche ClearML pour la formation YOLO11 implique l'initialisation d'une tâche, la sélection de la variante du modèle, le chargement du modèle, la définition des arguments de formation et, enfin, le démarrage de la formation 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)
Reportez-vous à notre guide d'utilisation pour une description détaillée de ces étapes.
Où puis-je consulter les résultats de ma formation YOLO11 sur ClearML?
Après avoir exécuté votre script de formation YOLO11 avec ClearML, vous pouvez consulter les résultats sur la page de résultats ClearML . La sortie comprendra un lien URL vers le tableau de bord ClearML , où vous pourrez suivre les mesures, comparer les expériences et surveiller l'utilisation des ressources. Pour plus de détails sur la manière de visualiser et d'interpréter les résultats, consultez notre section sur la visualisation de la page de résultats ClearML .
