Link to this sectionAddestramento di YOLO26 con ClearML: Semplifica il tuo flusso di lavoro MLOps#

L'MLOps colma il divario tra la creazione e il dispiegamento di modelli di machine learning in contesti reali. Si concentra sull'implementazione efficiente, sulla scalabilità e sulla gestione continua per garantire che i modelli abbiano buone prestazioni in applicazioni pratiche.

Ultralytics YOLO26 si integra facilmente con ClearML, semplificando e migliorando l'addestramento e la gestione del tuo modello di object detection. Questa guida ti accompagnerà attraverso il processo di integrazione, spiegando come configurare ClearML, gestire gli esperimenti, automatizzare la gestione dei modelli e collaborare in modo efficace.

Link to this sectionClearML#

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

Link to this sectionAddestramento 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.

Link to this sectionInstallazione#

Per installare i pacchetti richiesti, esegui:

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

Per istruzioni dettagliate e le migliori pratiche relative al processo di installazione, assicurati di controllare la nostra guida all'installazione di YOLO26. Durante l'installazione dei pacchetti richiesti per YOLO26, se incontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionConfigurazione 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 ti richiede le credenziali necessarie.

# Initialize your ClearML SDK setup process
clearml-init

Dopo aver eseguito questo comando, visita la pagina delle impostazioni di ClearML. Naviga nell'angolo in alto a destra e seleziona "Settings". Vai alla sezione "Workspace" e clicca su "Create new credentials". Utilizza le credenziali fornite nel 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.

Link to this sectionUtilizzo#

Prima di immergerti nelle istruzioni per l'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per i requisiti del tuo progetto.

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 sectionComprendere il codice#

Comprendiamo i passaggi mostrati nel frammento di codice di utilizzo qui sopra.

Passaggio 1: Creazione di un task ClearML: Un nuovo task viene inizializzato in ClearML, specificando i nomi del tuo progetto e del task. Questo task terrà traccia e gestirà l'addestramento del tuo modello.

Passaggio 2: Selezione del modello YOLO26: La variabile model_variant è impostata su 'yolo26n', uno dei modelli YOLO26. Questa variante viene poi registrata in ClearML per il tracciamento.

Passaggio 3: Caricamento del modello YOLO26: Il modello YOLO26 selezionato viene caricato utilizzando la classe YOLO di Ultralytics, preparandolo per l'addestramento.

Passaggio 4: Impostazione degli argomenti di addestramento: Gli argomenti chiave di addestramento come il dataset (coco8.yaml) e il numero di epoche (16) sono organizzati in un dizionario e collegati al task ClearML. Questo permette il tracciamento e la potenziale modifica tramite l'interfaccia utente di ClearML. Per una comprensione dettagliata del processo di addestramento del modello e le migliori pratiche, consulta la nostra guida all'addestramento del modello YOLO26.

Passaggio 5: Inizio dell'addestramento del modello: L'addestramento del modello viene avviato con gli argomenti specificati. I risultati del processo di addestramento vengono catturati nella variabile results.

Link to this sectionComprendere 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 inizia, con aggiornamenti sull'avanzamento man mano che il modello viene addestrato sul dataset specificato. Per una comprensione approfondita delle metriche di prestazione utilizzate durante l'addestramento, leggi la nostra guida sulle metriche di prestazione.

Link to this sectionVisualizzazione 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.

Link to this sectionCaratteristiche principali della pagina dei risultati di ClearML#

• Tracciamento delle metriche in tempo reale

  • Traccia metriche critiche come perdita, accuratezza e punteggi di validazione non appena 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 il tuning degli iperparametri 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 semplifica la distribuzione del modello e la condivisione.

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

Link to this sectionFunzionalità avanzate in ClearML#

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

Link to this sectionEsecuzione 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 confermate. Quando un task viene messo in coda, il ClearML Agent lo preleva, ricrea l'ambiente ed esegue l'esperimento, riportando 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 dispiegamento degli agenti e regolando le risorse in base al tuo budget di risorse.

Link to this sectionClonazione, 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.

Link to this sectionGestione delle versioni del dataset#

ClearML offre anche potenti funzionalità di gestione delle versioni del dataset che si integrano perfettamente con i flussi di lavoro di addestramento di YOLO26. Questa funzionalità 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.

Link to this sectionRiepilogo#

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 guida ufficiale all'integrazione di YOLOv8 di ClearML, che si applica anche ai flussi di lavoro di YOLO26.

Inoltre, esplora altre integrazioni e capacità di Ultralytics visitando la pagina della guida all'integrazione di Ultralytics, che è un tesoro di risorse e approfondimenti.

Link to this sectionFAQ#

Link to this sectionQual è il processo per integrare YOLO26 di Ultralytics con ClearML?#

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

pip install ultralytics clearml

Successivamente, inizializza il ClearML SDK nel tuo ambiente utilizzando:

clearml-init

Poi configuri ClearML con le tue credenziali dalla pagina delle impostazioni di ClearML. Istruzioni dettagliate sull'intero processo di configurazione, inclusa la selezione del modello e le configurazioni di addestramento, possono essere trovate nella nostra guida all'addestramento del modello YOLO26.

Link to this sectionPerché dovrei usare ClearML con YOLO26 di Ultralytics per i miei progetti di machine learning?#

Utilizzare ClearML con YOLO26 di Ultralytics migliora i tuoi progetti di machine learning automatizzando il tracciamento degli esperimenti, semplificando i flussi di lavoro e abilitando una solida gestione dei modelli. ClearML offre il tracciamento delle metriche in tempo reale, il monitoraggio dell'utilizzo delle risorse e un'interfaccia user-friendly per confrontare gli esperimenti. Queste funzionalità aiutano a ottimizzare le prestazioni del tuo modello e a rendere il processo di sviluppo più efficiente. Scopri di più sui vantaggi e le procedure nella nostra guida all'integrazione MLOps.

Link to this sectionCome posso risolvere i problemi comuni durante l'integrazione di YOLO26 e ClearML?#

Se riscontri problemi durante l'integrazione di YOLO26 con ClearML, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti. Problemi tipici potrebbero riguardare errori di installazione dei pacchetti, configurazione delle credenziali o problemi di configurazione. Questa guida fornisce istruzioni dettagliate per la risoluzione dei problemi per risolvere questi problemi comuni in modo efficiente.

Link to this sectionCome configuro il task ClearML per l'addestramento del modello YOLO26?#

Configurare un task ClearML per l'addestramento di YOLO26 comporta l'inizializzazione di un task, la selezione della variante del modello, il caricamento del modello, l'impostazione degli argomenti di addestramento e, infine, l'avvio dell'addestramento del modello. Ecco un esempio semplificato:

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)

Fai riferimento alla nostra guida all'uso per un'analisi dettagliata di questi passaggi.

Link to this sectionDove posso visualizzare i risultati del mio addestramento YOLO26 in ClearML?#

Dopo aver eseguito il tuo 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 tracciare le metriche, confrontare gli esperimenti e monitorare l'utilizzo delle risorse. Per maggiori dettagli su come visualizzare e interpretare i risultati, controlla la nostra sezione su Visualizzazione della pagina dei risultati di ClearML.