YOLO26をClearMLでトレーニングする：MLOpsワークフローの合理化#

MLOps は、現実世界の環境における machine learning モデルの作成とデプロイのギャップを埋めます。モデルが実際のアプリケーションで良好に機能することを保証するための、効率的なデプロイ、スケーラビリティ、および継続的な管理に焦点を当てています。

Ultralytics YOLO26 は ClearML とシームレスに統合され、object detection モデルのトレーニングと管理を合理化および強化します。このガイドでは、統合プロセスについて順を追って説明し、ClearML の設定方法、実験の管理、モデル管理の自動化、および効果的なコラボレーションの方法について詳しく説明します。

ClearML#

ClearML は、機械学習ワークフローの自動化、監視、およびオーケストレーションを行うために巧みに設計された、革新的なオープンソースの MLOps プラットフォームです。その主な機能には、実験の完全な再現性を確保するためのすべてのトレーニングおよび推論データの自動ロギング、data visualization と分析を容易にする直感的なウェブ UI、高度なハイパーパラメータ optimization algorithms、およびさまざまなプラットフォームにわたる効率的なデプロイのための堅牢なモデル管理が含まれます。

ClearMLを使用したYOLO26のトレーニング#

YOLO26とClearMLを統合することで、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、以下を実行してください。

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

インストールプロセスに関する詳細な手順とベストプラクティスについては、YOLO26インストールガイドを必ずご確認ください。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、よくある質問ガイドを参照して解決策とヒントを確認してください。

ClearMLの設定#

必要なパッケージをインストールしたら、次はClearML SDKを初期化および設定します。これには、ClearMLアカウントのセットアップと、開発環境とClearMLサーバー間のシームレスな接続に必要な認証情報の取得が含まれます。

まず、環境内で ClearML SDK を初期化します。clearml-init コマンドにより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を求められます。

# Initialize your ClearML SDK setup process
clearml-init

このコマンドを実行した後、ClearML Settings page にアクセスします。右上隅に移動し、「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る認証情報を使用して、Jupyter Notebook またはローカルの Python 環境のどちらで ClearML を構成しているかに応じて、指示に従ってセットアップを完了します。

使用方法#

使用方法の説明に入る前に、Ultralyticsが提供するYOLO26モデルのラインナップをぜひご確認ください。これにより、プロジェクトの要件に最も適したモデルを選択できるようになります。

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 = {"data": "coco8.yaml", "epochs": 16}
task.connect(args)

# Step 5: Initiating Model Training
results = model.train(**args)

コードの理解#

上記のコードスニペットで紹介されている手順を理解しましょう。

ステップ1：ClearMLタスクの作成：ClearML内で新しいタスクが初期化され、プロジェクト名とタスク名が指定されます。このタスクがモデルのトレーニングを追跡・管理します。

ステップ 2: YOLO26 モデルの選択: model_variant 変数は、YOLO26 モデルの 1 つである 'yolo26n' に設定されます。このバリアントは、追跡のために ClearML にログに記録されます。

ステップ3：YOLO26モデルのロード：選択したYOLO26モデルをUltralyticsのYOLOクラスを使用してロードし、トレーニングの準備を行います。

ステップ 4: トレーニング引数の設定: データセット (coco8.yaml) や epochs の数 (16) などの主要なトレーニング引数は辞書に整理され、ClearML タスクに接続されます。これにより、ClearML UI を介した追跡と潜在的な変更が可能になります。モデルのトレーニングプロセスとベストプラクティスについての詳細な理解については、YOLO26 Model Training guide を参照してください。

ステップ 5: モデルのトレーニングの開始: 指定された引数でモデルのトレーニングが開始されます。トレーニングプロセスの結果は、results 変数にキャプチャされます。

出力の理解#

上記のコードスニペットを実行すると、次のような出力が期待できます。

• 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、そのタスク固有のID。
• スクリプトコードが保存されたことを知らせる通知メッセージ。コードの実行がClearMLによって追跡されていることを示します。
• トレーニングの進行状況を監視し、詳細なログを確認できるClearML結果ページへのURLリンク。
• YOLO26モデルと指定されたデータセットのダウンロードの進行状況。その後にモデルのアーキテクチャとトレーニング設定の要約が続きます。
• TensorBoard、自動 Mixed Precision (AMP)、データセットの準備など、さまざまなトレーニングコンポーネントの初期化メッセージ。
• 最後に、指定されたデータセットでモデルがトレーニングされるにつれて進捗状況の更新が行われ、トレーニングプロセスが開始されます。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の詳細な理解については、our guide on performance metrics をお読みください。

ClearML結果ページの表示#

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全体を包括的に確認できます。

ClearML結果ページの主な機能#

• リアルタイムメトリクスの追跡

  • 損失、accuracy、検証スコアなどの重要な指標が発生時に追跡されます。
  • タイムリーなモデルパフォーマンスの調整のために、即時のフィードバックを提供します。

• 実験の比較

  • 異なるトレーニング実行を並べて比較できます。
  • hyperparameter tuning と、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、メトリクスのグラフィカルな表示、および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関する深い理解を得ることができます。

• リソース利用の監視

  • CPU、GPU、メモリを含む計算リソースの利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ために重要です。

• 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、model deployment と共有を合理化します。

ClearML結果ページの見た目の視覚的なウォークスルーについては、以下のビデオをご覧ください。

ClearMLの高度な機能#

ClearMLは、MLOps体験を強化するためのいくつかの高度な機能を提供します。

リモート実行#

ClearML のリモート実行機能により、さまざまなマシンでの実験の再現と操作が容易になります。インストールされている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をログに記録します。タスクがキューに入れられると、ClearML Agent がそれをプルし、環境を再作成して実験を実行し、詳細な結果を報告します。

ClearML Agentのデプロイは簡単で、以下のコマンドを使用して様々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、またはラップトップに適用できます。ClearML Autoscalers は、AWS、GCP、Azure などのプラットフォームでの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し、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、エンキュー#

ClearMLのユーザーフレンドリーなインターフェースにより、タスクのクローン、編集、エンキューが簡単に行えます。ユーザーは既存の実験をクローンし、UIを通じてパラメータやその他の詳細を調整し、タスクを実行のためにキューに入れることができます。この合理化されたプロセスにより、タスクを実行するClearML Agentが更新された設定を使用することが保証され、反復的な実験やモデルの微調整に最適です。

データセットバージョンの管理#

ClearML はまた、YOLO26 のトレーニングワークフローとシームレスに統合する強力な dataset version management 機能を提供します。この機能により、次のことが可能になります。

• データセットをコードから独立してバージョン管理する
• 各実験でどのデータセットバージョンが使用されたかを追跡する
• 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、以下の手順に従ってください：

1. 標準のYOLO構造（images、labelsなど）でデータセットを整理する

2. 対応するYAMLファイルをデータセットフォルダのルートにコピーする

3. ClearML Dataツールを使用してデータセットをアップロードする：

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

このコマンドにより、トレーニングスクリプトから参照可能なバージョン管理されたデータセットがClearML内に作成され、再現性とデータへの容易なアクセスが保証されます。

要約#

本ガイドでは、UltralyticsのYOLO26とClearML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を網羅し、機械学習プロジェクトにおける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のためにClearMLを活用する方法を習得しました。

使用方法の詳細については、YOLO26 のワークフローにも適用される ClearML's official YOLOv8 integration guide をご覧ください。

さらに、リソースと洞察の宝庫である Ultralytics integration guide page にアクセスして、Ultralytics のその他の統合と機能を確認してください。

よくある質問 (FAQ)#