Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO26をClearMLでトレーニングする：MLOpsワークフローの合理化#

MLOpsは、機械学習モデルの作成から実環境へのデプロイメントまでのギャップを埋めるものです。効率的なデプロイメント、スケーラビリティ、継続的な管理に重点を置き、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確実にします。

Ultralytics YOLO26はClearMLと簡単に統合でき、物体検出モデルのトレーニングと管理を合理化・強化します。本ガイドでは、統合プロセスの手順を説明し、ClearMLのセットアップ方法、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解説します。

Link to this sectionClearML#

ClearML MLOps platform dashboard

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、データ可視化と分析を容易にする直感的なWeb UI、高度なハイパーパラメータ最適化アルゴリズム、および多様なプラットフォームでの効率的なデプロイメントを実現する堅牢なモデル管理が含まれます。

Link to this sectionClearML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。

Link to this section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。

インストール
# 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、共通の問題ガイドで解決策やヒントを参照してください。

Link to this sectionClearML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コマンドを実行すると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。

SDKの初期セットアップ
# Initialize your ClearML SDK setup process
clearml-init

このコマンドを実行した後、ClearML設定ページにアクセスします。右上の「Settings」を選択し、「Workspace」セクションに移動して「Create new credentials」をクリックします。Jupyter NotebookとローカルのPython環境のどちらでClearMLを設定しているかに応じて、「Create Credentials」ポップアップに表示された認証情報を使用して、指示に従いセットアップを完了してください。

Link to this section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必ずご確認ください。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するのに役立ちます。

使用方法
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 section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変数にYOLO26モデルの一つである'yolo26n'が設定されます。このバリアントは追跡のためにClearML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）やエポック数（16）などの重要なトレーニング引数を辞書に整理し、ClearMLタスクに関連付けます。これにより、ClearML UIを介した追跡や変更が可能になります。モデルトレーニングのプロセスとベストプラクティスに関する詳細については、YOLO26モデルトレーニングガイドを参照してください。

ステップ5：モデルトレーニングの開始：指定した引数を使用してモデルのトレーニングを開始します。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。

Link to this section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、自動混合精度（AMP）、データセット準備など、様々なトレーニングコンポーネントの初期化メッセージ。
  • 最後にトレーニングプロセスが開始され、モデルのトレーニングが進むにつれて進捗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メトリクスの詳細については、パフォーマンスメトリクスに関するガイドをお読みください。

Link to this sectionClearML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。

Link to this sectionClearML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（loss）、精度、検証スコアなどの重要なメトリクスを発生と同時に追跡します。
    • 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

  • 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、モデルデプロイメントと共有を効率化します。

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。



Watch: YOLO26 MLOps Integration using ClearML

Link to this sectionClearML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。

Link to this sectionリモート実行#

ClearMLのリモート実行機能は、異なるマシン間での実験の再現と操作を容易にします。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がそれを取り出し、環境を再構築して実験を実行し、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、またはノートPCに適用可能です。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てリソース予算に基づいてリソースを調整します。

Link to this section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。


Cloning, Editing, and Enqueuing with ClearML

Link to this sectionデータセットバージョンの管理#

ClearMLは、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データセットバージョン管理機能も提供します。この機能を使用すると、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。

Link to this section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、ClearMLの公式YOLOv8統合ガイドをご覧ください。これはYOLO26のワークフローにも適用されます。

さらに、Ultralytics統合ガイドページにアクセスして、Ultralyticsの他の統合機能や能力を探求してください。リソースと洞察の宝庫となっています。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLO26とClearMLを統合するプロセスはどうなっていますか？#

Ultralytics YOLO26とClearMLの統合には、MLOpsワークフローを合理化するための一連の手順が含まれます。まず、必要なパッケージをインストールします：

pip install ultralytics clearml

次に、以下のコマンドを使用して環境内でClearML SDKを初期化します：

clearml-init

その後、ClearML設定ページから取得した認証情報を使用してClearMLを設定します。モデルの選択やトレーニング設定を含むセットアップ全体の詳細な手順については、YOLO26モデルトレーニングガイドをご覧ください。

Link to this section機械学習プロジェクトでUltralytics YOLO26とClearMLを併用する利点は何ですか？#

ClearMLをUltralytics YOLO26と併用することで、実験の追跡の自動化、ワークフローの合理化、堅牢なモデル管理が可能になり、機械学習プロジェクトが強化されます。ClearMLは、リアルタイムのメトリクス追跡、リソース利用の監視、および実験を比較するためのユーザーフレンドリーなインターフェースを提供します。これらの機能は、モデルのパフォーマンスを最適化し、開発プロセスをより効率的にするのに役立ちます。利点や手順の詳細については、MLOps統合ガイドをご覧ください。

Link to this sectionYOLO26とClearMLの統合中に発生する一般的な問題をトラブルシューティングするにはどうすればよいですか？#

YOLO26とClearMLの統合中に問題が発生した場合は、解決策やヒントについて共通の問題ガイドを参照してください。典型的な問題としては、パッケージのインストールエラー、認証情報の設定、設定ミスなどが考えられます。このガイドでは、これらの一般的な問題を効率的に解決するための手順別のトラブルシューティング方法を提供しています。

Link to this sectionYOLO26モデルトレーニングのためにClearMLタスクを設定するにはどうすればよいですか？#

YOLO26トレーニング用のClearMLタスクを設定するには、タスクの初期化、モデルバリアントの選択、モデルのロード、トレーニング引数の設定、そして最後にモデルトレーニングの開始という手順を踏みます。以下に簡略化した例を示します：

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 = dict(data="coco8.yaml", epochs=16)
task.connect(args)

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

これらの手順の詳細な内訳については、使用ガイドを参照してください。

Link to this sectionYOLO26のトレーニング結果はClearMLのどこで確認できますか？#

ClearMLを使用してYOLO26トレーニングスクリプトを実行した後、ClearML結果ページで結果を確認できます。出力にはClearMLダッシュボードへのURLリンクが含まれており、そこからメトリクスの追跡、実験の比較、リソース使用量の監視が行えます。結果の表示と解釈の詳細については、ClearML結果ページの表示セクションを確認してください。

コントリビューター
GLglenn-jocher18RIRizwanMunawar2Y-Y-T-G1WIWillie Maddox1LALaughing-q1MAMatthewNoyce1IVIvorZhu3311ABabirami-vina1

コメント