ClearMLを使用したYOLO26のトレーニング：MLOpsワークフローの効率化#

MLOpsは、現実の環境で機械学習モデルを作成してデプロイする際のギャップを埋めます。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、実用的な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と簡単に連携し、物体検出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、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について詳しく説明しながら、連携手順を解説します。

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に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。主な機能として、実験を完全に再現できるようトレーニングと推論の全データを自動記録する機能、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ー最適化アルゴリズム、さまざまなプラットフォームへの効率的なデプロイを実現する堅牢なモデル管理機能があります。

ClearMLを使用したYOLO26のトレーニング#

YOLO26をClearMLと連携すると、機械学習ワークフローに自動化と効率性を取り入れ、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

インストール手順とベストプラクティスの詳細については、YOLO26インストールガイドをご確認ください。YOLO26に必要なパッケージのインストールで問題が発生した場合は、解決策とヒントを掲載したよくある問題のガイドをご覧ください。

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。この作業では、ClearMLアカウントをセットアップし、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を取得します。

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後、ClearMLの設定ページにアクセスします。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、ClearMLをJupyter NotebookとローカルのPython環境のどちらに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#

使い方の説明に進む前に、Ultralyticsが提供するYOLO26モデルをご確認ください。プロジェクトの要件に最適なモデルを選ぶのに役立ちます。

from ultralytics import YOLO

# コールバックはClearMLタスクを自動的に作成し、接続します
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

コードの解説#

ClearMLをインストールして設定すると、コールバックが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、ClearMLのプロジェクト名とタスク名にはYOLOのprojectおよびname引数を使用して、トレーニング引数を自動的に接続します。連携を無効にするには、yolo settings clearml=Falseを実行します。トレーニングのオプションとベストプラクティスについては、YOLO26モデルのトレーニングガイドをご覧ください。

出力の解説#

上記の使用例のコードスニペットを実行すると、次のような出力が表示されます。

• 新しいClearMLタスクの作成と、その固有IDを示す確認メッセージ。
• 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。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、詳細なログを表示できるClearMLの結果ページへのURLリンク。
• YOLO26モデルと指定したデータセットのダウンロード進捗に続いて、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、自動混合精度（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をトレーニングする間、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指標について詳しくは、パフォーマンス指標に関するガイドをご覧ください。

ClearMLの結果ページを表示する#

使用例のコードスニペットの出力に含まれるClearMLの結果ページへの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の結果ページの主な機能#

• リアルタイムの指標トラッキング

  • 損失、精度、検証スコアなどの重要な指標を、発生と同時に追跡します。
  • モデルのパフォーマンスを適切なタイミングで調整するための、即時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の結果を並べて比較します。
  • ハイパーパラメーター調整を行い、最も効果的なモデルを特定するうえで不可欠です。

• 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。
  • モデルの挙動や問題の解決方法について、より深く理解できます。

• リソース使用状況の監視

  • CPU、GPU、メモリなどの計算リソースの使用状況を監視します。
  • 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促進し、モデルのデプロイと共有を効率化します。

ClearMLの結果ページの表示例を動画で確認するには、以下をご覧ください。

ClearMLの高度な機能#

ClearMLには、MLOpsのエクスペリエンスを強化す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うと、異なるマシン上で実験を再現し、操作できます。インストール済みパッケージや未コミットの変更など、重要な詳細が記録されます。タスクがキューに登録されると、ClearML Agentがタスクを取得して環境を再構築し、実験を実行した後、詳細な結果を返します。

ClearML Agentは、次のコマンドを使用してさまざまなマシンに簡単にデプロイできます。

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PCで利用できます。ClearML Autoscalersを使用すると、AWS、GCP、Azureなどのプラットフォームでクラウドワークロードを管理できます。エージェントのデプロイを自動化し、リソース予算に応じてリソースを調整します。

複製、編集、キューへの登録#

ClearMLの使いやすいインターフェースでは、タスクの複製、編集、キューへの登録を簡単に行えます。既存の実験を複製し、UIからパラメーターやその他の詳細を調整して、実行用にタスクをキューに登録できます。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は更新済みの設定を使用できるため、反復的な実験やモデルのファインチューニングに最適です。

データセットのバージョン管理#

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のバージョン管理機能もあります。この機能では、次のことができます。

• データセットをコードとは別に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
• 最新バージョンのデータセット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の構成（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 .

このコマンドにより、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、再現性が確保され、データに簡単にアクセスできます。

概要#

このガイドでは、ClearMLとUltralyticsのYOLO26を統合する手順を説明しました。初期設定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紹介しました。

使用方法の詳細については、ClearML公式の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の統合機能について詳しく知るには、豊富なリソースと知見を掲載したUltralytics統合ガイドページをご覧ください。

よくある質問#