Addestrare YOLO26 con ClearML: ottimizzare il tuo flusso di lavoro MLOps#

MLOps colma il divario tra la creazione e la distribuzione di modelli di machine learning in contesti reali. Si concentra su distribuzione efficiente, scalabilità e gestione continua per garantire che i modelli funzionino bene nelle applicazioni pratiche.

Ultralytics YOLO26 si integra perfettamente con ClearML, semplificando e migliorando l'addestramento e la gestione del tuo modello di rilevamento degli oggetti. Questa guida illustra il processo di integrazione, spiegando come configurare ClearML, gestire gli esperimenti, automatizzare la gestione dei modelli e collaborare in modo efficace.

ClearML#

ClearML è un'innovativa piattaforma MLOps open source, progettata 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 una completa riproducibilità degli esperimenti, un'interfaccia web intuitiva per una facile visualizzazione dei dati e analisi, avanzati algoritmi di ottimizzazione degli iperparametri e una solida gestione dei modelli per una distribuzione efficiente su diverse piattaforme.

Addestramento di YOLO26 con ClearML#

Puoi introdurre automazione ed efficienza nel tuo flusso di lavoro di machine learning integrando YOLO26 con ClearML per migliorare il 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, consulta la nostra guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti richiesti per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione di ClearML#

Dopo aver installato i pacchetti necessari, il passaggio successivo consiste nell'inizializzare e configurare il tuo SDK di ClearML. Ciò comporta la configurazione del tuo account ClearML e l'ottenimento delle credenziali necessarie per una connessione fluida tra il tuo ambiente di sviluppo e il server ClearML.

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

# Initialize your ClearML SDK setup process
clearml-init

Dopo aver eseguito questo comando, visita la pagina delle impostazioni di ClearML. Vai nell'angolo in alto a destra e seleziona "Settings". Apri la sezione "Workspace" e fai clic su "Create new credentials". Usa le credenziali fornite nella finestra pop-up "Create Credentials" per completare la configurazione come indicato, a seconda che tu stia configurando ClearML in un Jupyter Notebook o in un ambiente Python locale.

Utilizzo#

Prima di passare alle istruzioni per l'utilizzo, dai 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#

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

Comprendere l'output#

Quando esegui lo snippet di codice di utilizzo riportato sopra, 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 codice dello script memorizzato, che indica che l'esecuzione del codice viene monitorata da ClearML.
• Un link URL alla pagina dei risultati di ClearML, dove puoi monitorare l'avanzamento dell'addestramento e visualizzare log dettagliati.
• L'avanzamento del download del modello YOLO26 e del dataset specificato, seguito da un riepilogo dell'architettura del modello e della configurazione dell'addestramento.
• Messaggi di inizializzazione per vari componenti dell'addestramento, come TensorBoard, la precisione mista automatica (AMP) e la preparazione del dataset.
• Infine, inizia il processo di addestramento, con aggiornamenti sull'avanzamento mentre il modello viene addestrato sul dataset specificato. Per comprendere in modo approfondito le metriche delle prestazioni utilizzate durante l'addestramento, leggi la nostra guida sulle metriche delle prestazioni.

Visualizzazione della pagina dei risultati di ClearML#

Facendo clic sul link URL alla pagina dei risultati di ClearML presente nell'output dello snippet di codice di utilizzo, puoi accedere a una panoramica completa del processo di addestramento del tuo modello.

Funzionalità principali della pagina dei risultati di ClearML#

• Monitoraggio delle metriche in tempo reale

  • Monitora metriche fondamentali come perdita, accuratezza e punteggi di validazione man mano che vengono calcolati.
  • Fornisce un feedback immediato per apportare tempestivamente modifiche alle prestazioni del modello.

• Confronto degli esperimenti

  • Confronta diverse esecuzioni di addestramento affiancate.
  • È essenziale per la messa a punto degli iperparametri e per individuare i modelli più efficaci.

• Log e output dettagliati

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

• Monitoraggio dell'utilizzo delle risorse

  • Monitora l'utilizzo delle risorse computazionali, tra cui CPU, GPU e memoria.
  • È fondamentale per ottimizzare l'efficienza e i costi dell'addestramento.

• Gestione degli artefatti del modello

  • Visualizza, scarica e condividi artefatti del modello, come modelli addestrati e checkpoint.
  • Migliora la collaborazione e semplifica la distribuzione del modello e la condivisione.

Per una panoramica visiva dell'aspetto della pagina dei risultati di ClearML, guarda il video qui sotto:

Funzionalità avanzate di 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 accodato, il ClearML Agent lo recupera, ricrea l'ambiente ed esegue l'esperimento, restituendo risultati dettagliati.

La distribuzione di un ClearML Agent è semplice e può essere eseguita su diverse macchine usando il comando seguente:

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

Questa configurazione è applicabile a VM cloud, GPU locali o laptop. Gli autoscaler di ClearML aiutano a gestire i carichi di lavoro cloud su piattaforme come AWS, GCP e Azure, automatizzando la distribuzione degli agenti e regolando le risorse in base al tuo budget di risorse.

Clonazione, modifica e accodamento#

L'interfaccia intuitiva di ClearML consente di clonare, modificare e accodare facilmente i task. Puoi clonare un esperimento esistente, modificare i parametri o altri dettagli tramite l'interfaccia utente e accodare il task per l'esecuzione. Questo processo semplificato garantisce che il ClearML Agent che esegue il task utilizzi configurazioni aggiornate, rendendolo ideale per la sperimentazione iterativa e la messa a punto dei modelli.

Gestione delle versioni dei dataset#

ClearML offre inoltre potenti funzionalità di gestione delle versioni dei dataset che si integrano perfettamente con i flussi di lavoro di addestramento di YOLO26. Questa funzionalità ti consente di:

• Gestire le versioni dei dataset separatamente dal codice
• Monitorare quale versione del dataset è stata utilizzata per ogni esperimento
• Accedere e scaricare facilmente la versione più recente del dataset

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

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

2. Copia il file YAML corrispondente nella directory principale della cartella del dataset

3. Carica il dataset usando lo strumento ClearML Data:

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

Questo comando creerà in ClearML un dataset con versione, a cui potrai fare riferimento nei tuoi script di addestramento, garantendo la riproducibilità e un facile accesso ai tuoi dati.

Riepilogo#

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

Per ulteriori dettagli sull'utilizzo, visita la guida ufficiale all'integrazione di ClearML con YOLOv8, che si applica anche ai flussi di lavoro YOLO26.

Inoltre, esplora altre integrazioni e funzionalità di Ultralytics visitando la pagina della guida alle integrazioni di Ultralytics, una ricca fonte di risorse e informazioni.

FAQ#