Inizia

Addestrare YOLO26 con ClearML: semplificare il flusso di lavoro MLOps

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

Ultralytics YOLO26 si integra con ClearML per monitorare e gestire l'addestramento dei tuoi modelli 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 MLOps platform dashboard

ClearML è una piattaforma MLOps open source progettata per automatizzare, monitorare e orchestrare i workflow di machine learning. Tra le sue funzionalità principali figurano la registrazione automatica dei dati di addestramento e inferenza per la riproducibilità degli esperimenti, un'interfaccia web per la visualizzazione dei dati e l'analisi, gli algoritmi di ottimizzazione degli iperparametri e la gestione dei modelli per la distribuzione su diverse piattaforme.

Addestramento di YOLO26 con ClearML#

L'integrazione di YOLO26 con ClearML automatizza la registrazione degli esperimenti e semplifica la riproduzione e il confronto delle sessioni di addestramento.

Installazione#

Per installare i pacchetti necessari, esegui:

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

Per istruzioni dettagliate e procedure consigliate per l'installazione, consulta la guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione di ClearML#

Dopo aver installato i pacchetti necessari, il passo successivo è inizializzare e configurare il tuo SDK ClearML. Questo comporta la configurazione del tuo account ClearML e l'ottenimento delle credenziali che collegano il tuo ambiente di sviluppo al server ClearML.

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

Configurazione iniziale dell'SDK
# 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 a comparsa "Create Credentials" per completare la configurazione come indicato, a seconda che tu stia configurando ClearML in un notebook Jupyter o in un ambiente Python locale.

Utilizzo#

Utilizzo
from ultralytics import YOLO

# Il callback crea e connette automaticamente l'attività ClearML
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 relativo callback è abilitato per impostazione predefinita. All'avvio dell'addestramento, crea un'attività, usa 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 disabilitare l'integrazione. Per le opzioni di addestramento e le procedure consigliate, consulta la guida all'addestramento dei modelli YOLO26.

Comprendere l'output#

Eseguendo lo snippet di codice d'uso qui sopra, puoi aspettarti il seguente output:

  • Un messaggio di conferma che indica la creazione di una nuova attività ClearML, con il relativo ID univoco.
  • Un messaggio informativo indica che il codice dello script è stato archiviato e che ClearML tiene traccia dell'esecuzione del codice.
  • Un 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 di addestramento.
  • Messaggi di inizializzazione di vari componenti di addestramento, come la precisione mista automatica (AMP) e la preparazione del dataset.
  • Infine, inizia il processo di addestramento e vengono mostrati aggiornamenti sull'avanzamento mentre il modello viene addestrato sul dataset specificato. Per comprendere a fondo le metriche di prestazione usate durante l'addestramento, leggi la nostra guida alle metriche di prestazione.

Visualizzare la pagina dei risultati di ClearML#

Facendo clic sull'URL della pagina dei risultati di ClearML nell'output dello snippet di codice d'uso, puoi visualizzare 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 essenziali come la loss, l'accuratezza e i punteggi di convalida man mano che vengono calcolati.
    • Fornisce un feedback immediato per apportare tempestivamente modifiche alle prestazioni del modello.
  • Confronto degli esperimenti

  • Log e output dettagliati

    • Accedi a log completi, rappresentazioni grafiche delle metriche e output della console.
    • Comprendi meglio il comportamento del modello e come risolvere i problemi.
  • Monitoraggio dell'utilizzo delle risorse

    • Monitora l'utilizzo delle risorse di calcolo, 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 i modelli addestrati e i checkpoint.
    • Migliora la collaborazione e semplifica la distribuzione dei modelli e la condivisione.

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



Guarda: Integrazione MLOps di YOLO26 con ClearML

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 modifica degli esperimenti su macchine diverse. Registra dettagli essenziali come i pacchetti installati e le modifiche non sottoposte a commit. Quando un task viene accodato, ClearML Agent lo recupera, ricrea l'ambiente ed esegue l'esperimento, restituendo risultati dettagliati.

Distribuire un ClearML Agent è semplice e puoi farlo su diverse macchine usando il seguente comando:

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

Questa configurazione è applicabile a VM cloud, GPU locali o laptop. ClearML Autoscalers 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 budget disponibile.

Clonazione, modifica e accodamento#

L'interfaccia intuitiva di ClearML consente di clonare, modificare e accodare facilmente i task. Gli utenti possono 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 ClearML Agent, durante l'esecuzione del task, utilizzi configurazioni aggiornate, rendendolo ideale per la sperimentazione iterativa e il fine-tuning dei modelli.


Gestione delle versioni dei dataset#

ClearML offre anche la gestione delle versioni dei dataset, compatibile con i workflow di addestramento YOLO26. Questa funzionalità ti consente di:

  • Gestire le versioni dei dataset separatamente dal codice
  • Tenere traccia della versione del dataset utilizzata per ogni esperimento
  • Accedere facilmente alla versione più recente del dataset e scaricarla

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

  1. Organizza il tuo dataset secondo la struttura standard di YOLO (immagini, etichette e così via)

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

  3. Carica il tuo 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 versioni, a cui potrai fare riferimento negli script di addestramento, garantendo riproducibilità e facile accesso ai 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 visto come usare ClearML per l'addestramento efficiente, il monitoraggio degli esperimenti e l'ottimizzazione dei workflow nei tuoi progetti di machine learning.

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

Domande frequenti#

  • L'integrazione di Ultralytics YOLO26 con ClearML prevede una serie di passaggi per semplificare il flusso di lavoro MLOps. Per prima cosa, installa i pacchetti necessari:

    pip install ultralytics clearml

    Quindi, inizializza l'SDK ClearML nel tuo ambiente usando:

    clearml-init

    Configura quindi ClearML con le tue credenziali dalla pagina Impostazioni di ClearML. Le istruzioni dettagliate sull'intera procedura di configurazione, inclusa la selezione del modello e le configurazioni di addestramento, sono disponibili nella nostra guida all'addestramento dei modelli YOLO26.

  • L'uso di ClearML con Ultralytics YOLO26 migliora i tuoi progetti di machine learning automatizzando il monitoraggio degli esperimenti, semplificando i flussi di lavoro e consentendo una gestione solida dei modelli. ClearML offre il monitoraggio delle metriche in tempo reale, il controllo dell'utilizzo delle risorse e un'interfaccia intuitiva per confrontare gli esperimenti. Queste funzionalità aiutano a ottimizzare le prestazioni del tuo modello e rendono più efficiente il processo di sviluppo. Scopri di più sui vantaggi e sulle procedure nella nostra guida all'addestramento dei modelli YOLO26.

  • Se riscontri problemi durante l'integrazione di YOLO26 con ClearML, consulta la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti. I problemi tipici possono riguardare errori di installazione dei pacchetti, configurazione delle credenziali o problemi di configurazione. Questa guida fornisce istruzioni dettagliate per risolvere efficacemente questi problemi comuni.

  • Dopo clearml-init, avvia normalmente l'addestramento. Il callback crea l'attività ClearML e collega automaticamente gli argomenti di addestramento:

    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco8.yaml", epochs=16, project="my_project", name="my_yolo26_task")

    Gli argomenti YOLO project e name diventano rispettivamente i nomi del progetto e dell'attività ClearML. Per i dettagli, consulta la guida all'utilizzo.

  • Dopo aver eseguito lo script di addestramento YOLO26 con ClearML, puoi visualizzare i risultati nella pagina dei risultati di ClearML. L'output includerà un link URL alla dashboard di ClearML, dove potrai monitorare le metriche, confrontare gli esperimenti e controllare l'utilizzo delle risorse. Per maggiori dettagli su come visualizzare e interpretare i risultati, consulta la sezione Visualizzare la pagina dei risultati di ClearML.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.