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 su una distribuzione efficiente, sulla scalabilità e sulla gestione continua, per garantire che i modelli funzionino bene nelle applicazioni pratiche.

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

ClearML#

ClearML è un'innovativa piattaforma MLOps open source, progettata con competenza per automatizzare, monitorare e orchestrare i flussi di lavoro di machine learning. Tra le sue funzionalità principali figurano la registrazione automatica di tutti i dati di addestramento e inferenza per garantire la completa riproducibilità degli esperimenti, un'interfaccia web intuitiva per facilitare la visualizzazione dei dati e l'analisi, algoritmi avanzati di ottimizzazione degli iperparametri e una solida gestione dei modelli per una distribuzione efficiente su diverse piattaforme.

Addestramento di YOLO26 con ClearML#

Puoi rendere il tuo flusso di lavoro di machine learning più automatizzato ed efficiente integrando YOLO26 con ClearML, così da migliorare il processo di addestramento.

Installazione#

Per installare i pacchetti necessari, esegui:

# 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 passaggio successivo consiste nell'inizializzare e configurare il tuo SDK ClearML. Questo comporta la configurazione del tuo account ClearML e l'ottenimento delle credenziali necessarie per stabilire una connessione senza interruzioni tra il tuo ambiente di sviluppo e il 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.

# 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#

Prima di approfondire le istruzioni per l'uso, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

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 per vari componenti di addestramento, come TensorBoard, 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

  • Confronta affiancati diversi cicli di addestramento.
  • È essenziale per la regolazione 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.
  • 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:

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'attività viene messa in coda, ClearML Agent la recupera, ricrea l'ambiente, esegue l'esperimento e restituisce 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 mettere in coda le attività con facilità. Gli utenti possono clonare un esperimento esistente, modificare i parametri o altri dettagli tramite l'interfaccia utente e mettere in coda l'attività per l'esecuzione. Questo processo semplificato garantisce che ClearML Agent, eseguendo l'attività, utilizzi configurazioni aggiornate, rendendolo ideale per la sperimentazione iterativa e la messa a punto dei modelli.

Gestione delle versioni dei dataset#

ClearML offre anche 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
• 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 scoperto come sfruttare ClearML per un addestramento efficiente, il monitoraggio degli esperimenti e l'ottimizzazione dei flussi di lavoro 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.

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

Domande frequenti#