ClearMLによるYOLO26のトレーニング：MLOpsワークフローの効率化#

MLOpsは、現実の環境でmachine learningモデルを作成してデプロイするまでの隔たりを埋めます。効率的なデプロイ、スケーラビリティ、継続的な管理に重点を置き、実際のアプリケーションでモデルが適切に機能するようにします。

Ultralytics YOLO26はClearMLとシームレスに統合でき、object detectionモデルのトレーニングと管理を効率化・強化します。このガイドでは、統合プロセスについて、ClearMLのセットアップ、実験の管理、モデル管理の自動化、効果的なコラボレーションの方法を詳しく説明します。

ClearML#

ClearMLは、機械学習ワークフローの自動化、監視、オーケストレーションを目的として設計された革新的なオープンソースMLOpsプラットフォームです。主な機能には、実験の完全な再現性を実現するすべてのトレーニングデータと推論データの自動ログ記録、data visualizationと分析を簡単に行える直感的なWeb UI、高度なハイパーパラメータoptimization algorithms、さまざまなプラットフォームへの効率的なデプロイを可能にする堅牢なモデル管理が含まれます。

ClearMLによるYOLO26のトレーニング#

YOLO26をClearMLと統合することで、機械学習ワークフローに自動化と効率性をもたらし、トレーニングプロセスを改善できます。

インストール#

必要なパッケージをインストールするには、次を実行します。

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

インストールプロセスの詳しい手順とベストプラクティスについては、YOLO26 Installation guideをご確認ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、解決策とヒントを掲載したCommon Issues guideを参照してください。

ClearMLの設定#

必要なパッケージをインストールしたら、次にClearML SDKを初期化して設定します。これには、ClearMLアカウントのセットアップと、開発環境とClearMLサーバーをシームレスに接続するために必要な認証情報の取得が含まれます。

まず、環境でClearML SDKを初期化します。clearml-initコマンドによってセットアッププロセスが開始され、必要な認証情報の入力が求められます。

# Initialize your ClearML SDK setup process
clearml-init

このコマンドを実行したら、ClearML Settings pageにアクセスします。右上隅に移動して「Settings」を選択します。「Workspace」セクションに移動し、「Create new credentials」をクリックします。「Create Credentials」ポップアップに表示された認証情報を使用し、Jupyter NotebookまたはローカルのPython環境のどちらでClearMLを設定するかに応じて、指示に従ってセットアップを完了します。

使用方法#

使用方法の説明を確認する前に、Ultralyticsが提供するYOLO26モデルのラインナップをご確認ください。プロジェクトの要件に最適なモデルを選択するのに役立ちます。

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",
)

コードの理解#

ClearMLをインストールして設定すると、そのコールバックはデフォルトで有効になります。トレーニングの開始時にタスクを作成し、YOLOのprojectおよびname引数をClearMLのプロジェクト名とタスク名に使用して、トレーニング引数を自動的に接続します。統合を無効にするにはyolo settings clearml=Falseを実行します。トレーニングオプションとベストプラクティスについては、YOLO26 Model Training guideを参照してください。

出力の理解#

上記の使用方法のコードスニペットを実行すると、次の出力が表示されます。

• 新しいClearMLタスクが作成されたことを示す確認メッセージと、その一意のIDが表示されます。
• スクリプトコードが保存されたことを示す情報メッセージが表示され、コードの実行がClearMLによって追跡されていることが示されます。
• トレーニングの進行状況を監視し、詳細なログを表示できるClearML結果ページへのURLリンクが表示されます。
• YOLO26モデルと指定したデータセットのダウンロードの進行状況に続いて、モデルアーキテクチャとトレーニング設定の概要が表示されます。
• TensorBoard、Automatic Mixed Precision (AMP)、データセット準備など、各種トレーニングコンポーネントの初期化メッセージが表示されます。
• 最後にトレーニングプロセスが開始され、指定したデータセットでモデルがトレーニングされる間、進行状況が更新されます。トレーニング中に使用されるパフォーマンス指標について詳しく理解するには、パフォーマンス指標に関するガイドをお読みください。

ClearML結果ページの表示#

使用方法のコードスニペットの出力にあるClearML結果ページへのURLリンクをクリックすると、モデルのトレーニングプロセスを包括的に確認できます。

ClearML結果ページの主な機能#

• リアルタイム指標の追跡

  • loss、accuracy、検証スコアなどの重要な指標を、発生時に追跡できます。
  • 即時にフィードバックを取得できるため、モデルのパフォーマンスを適時に調整できます。

• 実験の比較

  • 異なるトレーニング実行結果を横並びで比較できます。
  • ハイパーパラメータのチューニングや、最も効果的なモデルの特定に不可欠です。

• 詳細なログと出力

  • 包括的なログ、指標のグラフ表示、コンソール出力にアクセスできます。
  • モデルの動作と問題解決について、より深く理解できます。

• リソース使用状況の監視

  • CPU、GPU、メモリなどのコンピューティングリソースの使用状況を監視できます。
  • トレーニングの効率とコストを最適化するうえで重要です。

• モデルアーティファクトの管理

  • トレーニング済みモデルやチェックポイントなどのモデルアーティファクトを表示、ダウンロード、共有できます。
  • コラボレーションを強化し、モデルのデプロイと共有を効率化します。

ClearML結果ページの表示例を視覚的に確認するには、以下の動画をご覧ください。

ClearMLの高度な機能#

ClearMLには、MLOpsエクスペリエンスを向上させる高度な機能がいくつか用意されています。

リモート実行#

ClearMLのリモート実行機能を使用すると、異なるマシン上で実験を再現および操作できます。インストール済みパッケージやコミットされていない変更などの重要な詳細がログに記録されます。タスクがキューに入ると、ClearML Agentがタスクを取得して環境を再作成し、実験を実行したうえで、詳細な結果を報告します。

ClearML Agentのデプロイは簡単で、次のコマンドを使用してさまざまなマシン上で実行できます。

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

このセットアップは、クラウドVM、ローカルGPU、ノートパソコンに適用できます。ClearML Autoscalersは、AWS、GCP、Azureなどのプラットフォーム上でクラウドワークロードの管理を支援し、エージェントのデプロイを自動化するとともに、リソース予算に基づいてリソースを調整します。

クローン、編集、キューへの追加#

ClearMLの使いやすいインターフェースでは、タスクのクローン、編集、キューへの追加を簡単に行えます。既存の実験をクローンし、UIからパラメータやその他の詳細を調整して、実行のためにタスクをキューに追加できます。この効率化されたプロセスにより、タスクを実行するClearML Agentは更新された設定を使用するため、反復的な実験やモデルのファインチューニングに適しています。

データセットバージョン管理#

ClearMLには、YOLO26のトレーニングワークフローとシームレスに統合できる強力なデータセットバージョン管理機能もあります。この機能を使用すると、次のことが可能です。

• コードとは別にデータセットをバージョン管理する
• 各実験で使用したデータセットのバージョンを追跡する
• 最新のデータセットバージョンに簡単にアクセスしてダウンロードする

ClearML用にデータセットを準備するには、次の手順に従ってください。

1. 標準的なYOLO構造（images、labelsなど）でデータセットを整理します

2. 対応するYAMLファイルをデータセットフォルダーのルートにコピーします

3. ClearML Dataツールを使用してデータセットをアップロードします。

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

このコマンドによってClearMLにバージョン管理されたデータセットが作成され、トレーニングスクリプトから参照できるようになります。これにより、データの再現性と容易なアクセスが確保されます。

まとめ#

このガイドでは、ClearMLとUltralyticsのYOLO26を統合するプロセスを説明しました。初期セットアップから高度なモデル管理まで、機械学習プロジェクトでClearMLを活用して効率的なトレーニング、実験の追跡、ワークフローの最適化を行う方法を確認しました。

使用方法の詳細については、ClearMLの公式YOLOv8統合ガイドをご覧ください。このガイドはYOLO26のワークフローにも適用できます。

さらに、Ultralyticsの統合ガイドページにアクセスして、Ultralyticsのその他の統合機能と能力をご確認ください。豊富なリソースと知見を掲載しています。

FAQ#