Addestramento di YOLO26 con ClearML: Semplifica il tuo flusso di lavoro MLOps#

Il settore MLOps colma il divario tra la creazione e il rilascio di modelli di machine learning in contesti reali. Si concentra su un deployment efficiente, sulla scalabilità e sulla gestione continua per assicurare che i modelli offrano ottime prestazioni nelle applicazioni pratiche.

Ultralytics YOLO26 si integra senza sforzo con ClearML, ottimizzando e valorizzando l'addestramento e la gestione del tuo modello di object detection. Questa guida ti accompagnerà nel processo di integrazione, spiegando come configurare ClearML, gestire gli esperimenti, automatizzare la gestione dei modelli e collaborare in modo efficace.

ClearML#

ClearML è una piattaforma MLOps open-source e innovativa, progettata con abilità per automatizzare, monitorare e orchestrare i flussi di lavoro di machine learning. Le sue funzionalità principali includono la registrazione automatica di tutti i dati di addestramento e inferenza per garantire la completa riproducibilità degli esperimenti, un'interfaccia web intuitiva per una facile data visualization e analisi, avanzati optimization algorithms per gli iperparametri e una solida gestione dei modelli per un deployment efficiente su varie piattaforme.

Addestramento di YOLO26 con ClearML#

Puoi portare automazione ed efficienza al tuo flusso di lavoro di machine learning integrando YOLO26 con ClearML per migliorare il tuo processo di addestramento.

Installazione#

Per installare i pacchetti richiesti, esegui:

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

Per istruzioni dettagliate e best practice relative al processo di installazione, assicurati di consultare la nostra YOLO26 Installation guide. Durante l'installazione dei pacchetti richiesti per YOLO26, se riscontri difficoltà, consulta la nostra Common Issues guide per trovare soluzioni e consigli.

Configurazione di ClearML#

Una volta installati i pacchetti necessari, il passo successivo è inizializzare e configurare il tuo ClearML SDK. Ciò comporta la creazione del tuo account ClearML e l'ottenimento delle credenziali necessarie per una connessione senza intoppi tra il tuo ambiente di sviluppo e il server ClearML.

Inizia inizializzando il ClearML SDK nel tuo ambiente. Il comando clearml-init avvia il processo di configurazione e richiede le credenziali necessarie.

# Initialize your ClearML SDK setup process
clearml-init

Dopo aver eseguito questo comando, visita la ClearML Settings page. Vai nell'angolo in alto a destra e seleziona "Settings". Accedi alla sezione "Workspace" e fai clic su "Create new credentials". Usa le credenziali fornite nel popup "Create Credentials" per completare la configurazione seguendo le istruzioni, a seconda che tu stia configurando ClearML in un Jupyter Notebook o in un ambiente Python locale.

Utilizzo#

Prima di immergiti nelle istruzioni d'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

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",
)

Comprendere il codice#

Una volta installato e configurato ClearML, il suo callback viene abilitato per impostazione predefinita. Crea un'attività all'avvio dell'addestramento, utilizza gli argomenti YOLO project e name per i nomi del progetto e dell'attività ClearML e collega automaticamente gli argomenti di addestramento. Esegui yolo settings clearml=False per disattivare l'integrazione. Per le opzioni di addestramento e le best practice, consulta la guida all'addestramento dei modelli YOLO26.

Comprendere l'output#

Eseguendo il frammento di codice di utilizzo sopra riportato, puoi aspettarti il seguente output:

• Un messaggio di conferma che indica la creazione di un nuovo task ClearML, insieme al suo ID univoco.
• Un messaggio informativo sul fatto che il codice dello script viene archiviato, indicando che l'esecuzione del codice viene tracciata da ClearML.
• Un link URL alla pagina dei risultati di ClearML dove puoi monitorare l'avanzamento dell'addestramento e visualizzare i log dettagliati.
• Avanzamento del download per il modello YOLO26 e il dataset specificato, seguito da un riepilogo dell'architettura del modello e della configurazione di addestramento.
• Messaggi di inizializzazione per vari componenti di addestramento come TensorBoard, Automatic Mixed Precision (AMP) e la preparazione del dataset.
• Infine, il processo di addestramento ha inizio, con aggiornamenti sui progressi man mano che il modello si addestra sul dataset specificato. Per una comprensione approfondita delle metriche di performance utilizzate durante l'addestramento, leggi our guide on performance metrics.

Visualizzazione della pagina dei risultati di ClearML#

Cliccando sul link URL alla pagina dei risultati di ClearML nell'output del frammento di codice di utilizzo, puoi accedere a una vista completa del processo di addestramento del tuo modello.

Caratteristiche principali della pagina dei risultati di ClearML#

• Tracciamento delle metriche in tempo reale

  • Traccia metriche critiche come perdita, accuracy e punteggi di validazione man mano che si verificano.
  • Fornisce un feedback immediato per aggiustamenti tempestivi delle prestazioni del modello.

• Confronto degli esperimenti

  • Confronta diverse esecuzioni di addestramento fianco a fianco.
  • Essenziale per hyperparameter tuning e per identificare i modelli più efficaci.

• Log e output dettagliati

  • Accedi a log completi, rappresentazioni grafiche delle metriche e output della console.
  • Ottieni una comprensione più profonda del comportamento del modello e della risoluzione dei problemi.

• Monitoraggio dell'utilizzo delle risorse

  • Monitora l'utilizzo delle risorse computazionali, inclusi CPU, GPU e memoria.
  • Fondamentale per ottimizzare l'efficienza dell'addestramento e i costi.

• Gestione degli artefatti del modello

  • Visualizza, scarica e condividi artefatti del modello come modelli addestrati e checkpoint.
  • Migliora la collaborazione e ottimizza il model deployment e la condivisione.

Per una panoramica visiva di come appare la pagina dei risultati di ClearML, guarda il video qui sotto:

Funzionalità avanzate in ClearML#

ClearML offre diverse funzionalità avanzate per migliorare la tua esperienza MLOps.

Esecuzione remota#

La funzionalità di esecuzione remota di ClearML facilita la riproduzione e la manipolazione degli esperimenti su macchine diverse. Registra dettagli essenziali come i pacchetti installati e le modifiche non sottoposte a commit. Quando un task viene messo in coda, il ClearML Agent lo preleva, ricrea l'ambiente ed esegue l'esperimento, inviando risultati dettagliati.

Il dispiegamento di un ClearML Agent è semplice e può essere effettuato su varie macchine utilizzando il seguente comando:

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

Questa configurazione è applicabile a VM cloud, GPU locali o laptop. I ClearML Autoscalers aiutano a gestire i carichi di lavoro cloud su piattaforme come AWS, GCP e Azure, automatizzando il deployment degli agenti e adeguando le risorse in base al tuo budget.

Clonazione, modifica e messa in coda#

L'interfaccia user-friendly di ClearML consente una facile clonazione, modifica e messa in coda dei task. Gli utenti possono clonare un esperimento esistente, regolare i parametri o altri dettagli tramite l'interfaccia utente e mettere in coda il task per l'esecuzione. Questo processo snello assicura che il ClearML Agent che esegue il task utilizzi configurazioni aggiornate, rendendolo ideale per la sperimentazione iterativa e il fine-tuning dei modelli.

Gestione delle versioni del dataset#

ClearML offre anche potenti funzionalità di dataset version management che si integrano perfettamente con i flussi di lavoro di addestramento di YOLO26. Questa funzione ti permette di:

• Versionare i tuoi dataset separatamente dal tuo codice
• Tracciare quale versione del dataset è stata utilizzata per ogni esperimento
• Accedere e scaricare facilmente l'ultima versione del dataset

Per preparare il tuo dataset per ClearML, segui questi passaggi:

1. Organizza il tuo dataset con la struttura standard YOLO (immagini, etichette, ecc.)

2. Copia il file YAML corrispondente nella root della cartella del tuo dataset

3. Carica il tuo dataset utilizzando lo strumento ClearML Data:

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

Questo comando creerà un dataset versionato in ClearML che potrà essere referenziato nei tuoi script di addestramento, garantendo riproducibilità e facile accesso ai tuoi dati.

Riepilogo#

Questa guida ti ha accompagnato attraverso il processo di integrazione di ClearML con YOLO26 di Ultralytics. Coprendo tutto, dalla configurazione iniziale alla gestione avanzata dei modelli, hai scoperto come sfruttare ClearML per un addestramento efficiente, il tracciamento degli esperimenti e l'ottimizzazione del flusso di lavoro nei tuoi progetti di machine learning.

Per ulteriori dettagli sull'utilizzo, visita la ClearML's official YOLOv8 integration guide, che si applica anche ai flussi di lavoro di YOLO26.

Inoltre, esplora altre integrazioni e funzionalità di Ultralytics visitando la Ultralytics integration guide page, che rappresenta un vero e proprio tesoro di risorse e approfondimenti.

FAQ#