Addestramento 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 su un dispiegamento efficiente, sulla scalabilità e sulla gestione continua per garantire che i modelli abbiano buone prestazioni nelle 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 nel processo di integrazione, spiegando in dettaglio come configurare ClearML, gestire gli esperimenti, automatizzare la gestione dei modelli e collaborare efficacemente.

ClearML

ClearML è una piattaforma MLOps open-source innovativa, sapientemente progettata 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 una completa 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 dispiegamento efficiente su varie piattaforme.

Addestramento YOLO26 con ClearML

Puoi portare automazione ed efficienza nel tuo flusso di lavoro di machine learning integrando YOLO26 con ClearML per migliorare il tuo 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 le migliori pratiche relative al processo di installazione, assicurati di consultare la nostra guida all'installazione di YOLO26. Se riscontri difficoltà durante l'installazione dei pacchetti richiesti per YOLO26, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Configurazione di ClearML

Una volta installati i pacchetti necessari, il passo successivo è inizializzare e configurare il tuo SDK ClearML. Ciò comporta la creazione 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 ClearML 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. Vai nell'angolo in alto a destra e seleziona "Settings". Vai alla sezione "Workspace" e fai clic 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.

Utilizzo

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 adatto alle esigenze 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)

Comprendere il codice

Comprendiamo i passaggi mostrati nello snippet di codice di utilizzo qui sopra.

Passaggio 1: Creazione di un task ClearML: Viene inizializzato un nuovo task 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 quindi registrata in ClearML per il monitoraggio.

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

Passaggio 4: Configurazione degli argomenti di addestramento: Gli argomenti chiave di addestramento come il dataset (coco8.yaml) e il numero di epoch (16) sono organizzati in un dizionario e collegati al task ClearML. Ciò consente il monitoraggio e la potenziale modifica tramite l'interfaccia utente di ClearML. Per una comprensione dettagliata del processo di addestramento del modello e delle migliori pratiche, consulta la nostra guida all'addestramento dei modelli YOLO26.

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

Comprendere l'output

Dopo aver eseguito lo snippet di codice di utilizzo sopra indicato, 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 archiviato, che indica 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, Mixed Precision automatica (AMP) e 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.

Visualizzazione della pagina dei risultati di ClearML

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

Caratteristiche principali della pagina dei risultati di ClearML

• Monitoraggio delle metriche in tempo reale

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

• Confronto degli esperimenti

  • Confronta diversi cicli di addestramento fianco a fianco.
  • Essenziale per l'ottimizzazione 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 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 il dispiegamento del modello 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 accodato, 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 eseguito 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.

Clonazione, modifica e accodamento

L'interfaccia user-friendly di ClearML consente una facile clonazione, modifica e accodamento dei 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 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 gestione delle versioni del dataset che si integrano perfettamente con i flussi di lavoro di addestramento di YOLO26. Questa funzionalità ti consente 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 radice della cartella del tuo dataset

3. Carica il tuo dataset utilizzando lo strumento Dati di ClearML:

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

Questo comando creerà un dataset versionato in ClearML a cui è possibile fare riferimento nei tuoi script di addestramento, garantendo riproducibilità e facile accesso ai tuoi dati.

Riepilogo

Questa guida ti ha accompagnato nel 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 all'integrazione di YOLOv8 ufficiale di ClearML, che si applica anche ai flussi di lavoro YOLO26.

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

FAQ

Qual è il processo per integrare Ultralytics YOLO26 con ClearML?

Integrare Ultralytics YOLO26 con ClearML comporta una serie di passaggi per semplificare il tuo flusso di lavoro MLOps. Innanzitutto, installa i pacchetti necessari:

pip install ultralytics clearml

Successivamente, inizializza l'SDK ClearML nel tuo ambiente utilizzando:

clearml-init

Quindi 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, sono disponibili nella nostra guida all'addestramento dei modelli YOLO26.

Perché dovrei usare ClearML con Ultralytics YOLO26 per i miei progetti di machine learning?

L'utilizzo di ClearML con Ultralytics YOLO26 migliora i tuoi progetti di machine learning automatizzando il tracciamento degli esperimenti, semplificando i flussi di lavoro e consentendo una solida gestione dei modelli. ClearML offre il monitoraggio delle metriche in tempo reale, il monitoraggio dell'utilizzo delle risorse e un'interfaccia user-friendly per il confronto degli 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 sulle procedure nella nostra guida all'integrazione MLOps.

Come 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. I problemi tipici potrebbero riguardare errori di installazione dei pacchetti, configurazione delle credenziali o problemi di configurazione. Questa guida fornisce istruzioni di risoluzione dei problemi passo dopo passo per risolvere questi problemi comuni in modo efficiente.

Come imposto il task ClearML per l'addestramento del modello YOLO26?

L'impostazione di un task ClearML per l'addestramento di YOLO26 prevede 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)

Consulta la nostra guida all'uso per un'analisi dettagliata di questi passaggi.

Dove 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 ulteriori dettagli su come visualizzare e interpretare i risultati, controlla la nostra sezione su Visualizzazione della pagina dei risultati di ClearML.