Meet YOLO26: next-gen vision AI.

Link to this sectionClearML을 활용한 YOLO26 학습: MLOps 워크플로 간소화#

MLOps는 실제 환경에서 머신러닝 모델을 생성하고 배포하는 과정의 격차를 해소합니다. 이는 효율적인 배포, 확장성 및 지속적인 관리에 초점을 맞춰 실제 애플리케이션에서 모델이 원활하게 작동하도록 합니다.

Ultralytics YOLO26은 ClearML과 손쉽게 통합되어 객체 탐지 모델의 학습 및 관리 과정을 간소화하고 향상시킵니다. 이 가이드에서는 ClearML 설정, 실험 관리, 모델 관리 자동화, 그리고 효과적인 협업 방법을 자세히 안내합니다.

Link to this sectionClearML#

ClearML MLOps platform dashboard

ClearML은 머신러닝 워크플로를 자동화하고 모니터링하며 오케스트레이션하도록 설계된 혁신적인 오픈 소스 MLOps 플랫폼입니다. 주요 기능으로는 완전한 실험 재현성을 위한 모든 학습 및 추론 데이터의 자동 로깅, 손쉬운 데이터 시각화 및 분석을 위한 직관적인 웹 UI, 고급 하이퍼파라미터 최적화 알고리즘, 그리고 다양한 플랫폼에서의 효율적인 배포를 위한 강력한 모델 관리가 포함됩니다.

Link to this sectionClearML을 활용한 YOLO26 학습#

YOLO26을 ClearML과 통합하여 학습 과정을 개선함으로써 머신러닝 워크플로에 자동화와 효율성을 도입할 수 있습니다.

Link to this section설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

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

설치 과정과 관련된 자세한 지침 및 모범 사례는 YOLO26 설치 가이드를 확인하십시오. YOLO26용 패키지를 설치하는 동안 어려움이 발생하면 일반적인 문제 가이드에서 해결 방법과 팁을 확인하십시오.

Link to this sectionClearML 구성#

필요한 패키지를 설치한 후 다음 단계는 ClearML SDK를 초기화하고 구성하는 것입니다. 여기에는 ClearML 계정을 설정하고 개발 환경과 ClearML 서버 간의 원활한 연결을 위한 필수 자격 증명을 획득하는 과정이 포함됩니다.

환경에서 ClearML SDK를 초기화하는 것으로 시작하십시오. clearml-init 명령은 설정 프로세스를 시작하고 필수 자격 증명을 입력하도록 요청합니다.

초기 SDK 설정
# Initialize your ClearML SDK setup process
clearml-init

이 명령을 실행한 후 ClearML 설정 페이지를 방문하십시오. 오른쪽 상단 모서리로 이동하여 "Settings"를 선택하십시오. "Workspace" 섹션으로 이동하여 "Create new credentials"를 클릭하십시오. Jupyter Notebook에서 ClearML을 구성하는지 아니면 로컬 Python 환경에서 구성하는지에 따라, "Create Credentials" 팝업에 제공된 자격 증명을 사용하여 지침대로 설정을 완료하십시오.

Link to this section사용법#

사용 지침을 살펴보기 전에 Ultralytics에서 제공하는 다양한 YOLO26 모델을 확인하십시오. 이는 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 됩니다.

사용법
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 section코드 이해하기#

위의 사용 코드 스니펫에서 제시된 단계를 이해해 보겠습니다.

1단계: ClearML 태스크 생성: ClearML에서 새 태스크가 초기화되며 프로젝트 및 태스크 이름이 지정됩니다. 이 태스크는 모델 학습을 추적하고 관리합니다.

2단계: YOLO26 모델 선택: model_variant 변수가 YOLO26 모델 중 하나인 'yolo26n'으로 설정됩니다. 이 변형은 추적을 위해 ClearML에 로깅됩니다.

3단계: YOLO26 모델 로드: 선택한 YOLO26 모델이 Ultralytics의 YOLO 클래스를 사용하여 로드되어 학습 준비를 마칩니다.

4단계: 학습 인수 설정: 데이터셋(coco8.yaml) 및 에폭 수(16)와 같은 주요 학습 인수가 딕셔너리로 구성되어 ClearML 태스크에 연결됩니다. 이를 통해 ClearML UI를 통한 추적 및 잠재적 수정이 가능합니다. 모델 학습 과정 및 모범 사례에 대한 자세한 내용은 YOLO26 모델 학습 가이드를 참조하십시오.

5단계: 모델 학습 시작: 지정된 인수를 사용하여 모델 학습이 시작됩니다. 학습 과정의 결과는 results 변수에 캡처됩니다.

Link to this section출력 이해하기#

위의 사용 코드 스니펫을 실행하면 다음과 같은 출력을 기대할 수 있습니다:

  • 새 ClearML 태스크 생성과 고유 ID를 나타내는 확인 메시지.
  • 저장된 스크립트 코드에 대한 정보 메시지(ClearML이 코드 실행을 추적하고 있음을 나타냄).
  • 학습 진행 상황을 모니터링하고 자세한 로그를 볼 수 있는 ClearML 결과 페이지에 대한 URL 링크.
  • YOLO26 모델 및 지정된 데이터셋에 대한 다운로드 진행 상황, 이어서 모델 아키텍처 및 학습 구성 요약.
  • TensorBoard, 자동 혼합 정밀도(AMP), 데이터셋 준비와 같은 다양한 학습 구성 요소에 대한 초기화 메시지.
  • 마지막으로 학습 과정이 시작되며, 지정된 데이터셋에서 모델이 학습됨에 따라 진행 상황이 업데이트됩니다. 학습 중 사용되는 성능 지표에 대한 자세한 내용은 성능 지표 가이드를 읽어보십시오.

Link to this sectionClearML 결과 페이지 보기#

사용 코드 스니펫 출력에 있는 ClearML 결과 페이지 URL 링크를 클릭하면 모델 학습 과정에 대한 포괄적인 뷰에 액세스할 수 있습니다.

Link to this sectionClearML 결과 페이지의 주요 기능#

  • 실시간 지표 추적

    • 손실, 정확도, 검증 점수와 같은 중요한 지표를 발생하는 즉시 추적합니다.
    • 적시에 모델 성능을 조정할 수 있도록 즉각적인 피드백을 제공합니다.

  • 실험 비교

    • 서로 다른 학습 실행 결과를 나란히 비교합니다.
    • 하이퍼파라미터 튜닝과 가장 효과적인 모델을 식별하는 데 필수적입니다.

  • 상세 로그 및 출력

    • 포괄적인 로그, 지표의 그래픽 표현 및 콘솔 출력에 액세스합니다.
    • 모델 동작 및 문제 해결에 대해 더 깊이 이해할 수 있습니다.

  • 리소스 활용 모니터링

    • CPU, GPU 및 메모리를 포함한 컴퓨팅 리소스 활용도를 모니터링합니다.
    • 학습 효율성과 비용을 최적화하는 데 핵심입니다.

  • 모델 아티팩트 관리

    • 학습된 모델 및 체크포인트와 같은 모델 아티팩트를 보고, 다운로드하고, 공유합니다.
    • 협업을 강화하고 모델 배포 및 공유를 간소화합니다.

ClearML 결과 페이지가 어떻게 보이는지 시각적으로 확인하려면 아래 동영상을 시청하십시오:



Watch: YOLO26 MLOps Integration using ClearML

Link to this sectionClearML의 고급 기능#

ClearML은 MLOps 경험을 향상시키기 위한 몇 가지 고급 기능을 제공합니다.

Link to this section원격 실행#

ClearML의 원격 실행 기능은 서로 다른 머신에서 실험을 재현하고 조작하는 것을 용이하게 합니다. 설치된 패키지 및 커밋되지 않은 변경 사항과 같은 필수 세부 정보를 로깅합니다. 태스크가 대기열에 추가되면 ClearML Agent가 이를 가져와 환경을 다시 생성하고 실험을 실행하며 상세한 결과를 다시 보고합니다.

ClearML Agent를 배포하는 것은 간단하며 다음 명령을 사용하여 다양한 머신에서 수행할 수 있습니다:

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

이 설정은 클라우드 VM, 로컬 GPU 또는 노트북에 적용할 수 있습니다. ClearML Autoscalers는 AWS, GCP 및 Azure와 같은 플랫폼에서 클라우드 워크로드를 관리하여, 에이전트 배포를 자동화하고 리소스 예산에 따라 리소스를 조정하도록 돕습니다.

Link to this section복제, 편집 및 대기열 추가#

ClearML의 사용자 친화적인 인터페이스를 통해 태스크를 쉽게 복제, 편집 및 대기열에 추가할 수 있습니다. 사용자는 기존 실험을 복제하고 UI를 통해 매개변수나 기타 세부 정보를 조정하며 실행을 위해 태스크를 대기열에 추가할 수 있습니다. 이 간소화된 프로세스는 태스크를 실행하는 ClearML Agent가 업데이트된 구성을 사용하도록 보장하며, 반복적인 실험 및 모델 파인 튜닝에 이상적입니다.


Cloning, Editing, and Enqueuing with ClearML

Link to this section데이터셋 버전 관리#

ClearML은 또한 YOLO26 학습 워크플로와 원활하게 통합되는 강력한 데이터셋 버전 관리 기능을 제공합니다. 이 기능을 통해 다음을 수행할 수 있습니다:

  • 코드와 별도로 데이터셋 버전 관리
  • 각 실험에 어떤 데이터셋 버전이 사용되었는지 추적
  • 최신 데이터셋 버전에 쉽게 액세스하고 다운로드

데이터셋을 ClearML용으로 준비하려면 다음 단계를 따르십시오:

  1. 표준 YOLO 구조(이미지, 라벨 등)로 데이터셋을 구성하십시오.

  2. 해당 YAML 파일을 데이터셋 폴더의 루트에 복사하십시오.

  3. ClearML 데이터 도구를 사용하여 데이터셋을 업로드하십시오:

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

이 명령은 학습 스크립트에서 참조할 수 있는 버전화된 데이터셋을 ClearML에 생성하여 재현성을 보장하고 데이터에 쉽게 액세스할 수 있도록 합니다.

Link to this section요약#

이 가이드에서는 Ultralytics의 YOLO26과 ClearML을 통합하는 과정을 안내했습니다. 초기 설정부터 고급 모델 관리까지 모든 내용을 다루며, 머신러닝 프로젝트에서 효율적인 학습, 실험 추적 및 워크플로 최적화를 위해 ClearML을 활용하는 방법을 배웠습니다.

사용에 대한 자세한 내용은 YOLO26 워크플로에도 적용되는 ClearML의 공식 YOLOv8 통합 가이드를 방문하십시오.

또한 풍부한 리소스와 통찰력을 제공하는 Ultralytics 통합 가이드 페이지를 방문하여 Ultralytics의 더 많은 통합 및 기능을 탐색하십시오.

Link to this sectionFAQ#

Link to this sectionUltralytics YOLO26과 ClearML을 통합하는 과정은 무엇입니까?#

Ultralytics YOLO26과 ClearML을 통합하는 과정에는 MLOps 워크플로를 간소화하기 위한 일련의 단계가 포함됩니다. 먼저 필요한 패키지를 설치하십시오:

pip install ultralytics clearml

다음으로, 다음을 사용하여 환경에서 ClearML SDK를 초기화하십시오:

clearml-init

그런 다음 ClearML 설정 페이지에서 얻은 자격 증명으로 ClearML을 구성하십시오. 모델 선택 및 학습 구성을 포함한 전체 설정 과정에 대한 자세한 지침은 YOLO26 모델 학습 가이드에서 확인할 수 있습니다.

Link to this section머신러닝 프로젝트에 Ultralytics YOLO26과 ClearML을 함께 사용해야 하는 이유는 무엇입니까?#

Ultralytics YOLO26과 ClearML을 함께 사용하면 실험 추적 자동화, 워크플로 간소화, 강력한 모델 관리 지원을 통해 머신러닝 프로젝트가 향상됩니다. ClearML은 실시간 지표 추적, 리소스 활용 모니터링, 실험 비교를 위한 사용자 친화적인 인터페이스를 제공합니다. 이러한 기능은 모델 성능을 최적화하고 개발 과정을 더욱 효율적으로 만드는 데 도움이 됩니다. 이점 및 절차에 대한 자세한 내용은 MLOps 통합 가이드를 참조하십시오.

Link to this sectionYOLO26과 ClearML 통합 중 발생하는 일반적인 문제를 어떻게 해결합니까?#

YOLO26과 ClearML 통합 중 문제가 발생하면 일반적인 문제 가이드에서 해결 방법과 팁을 확인하십시오. 일반적인 문제로는 패키지 설치 오류, 자격 증명 설정 또는 구성 문제가 있을 수 있습니다. 이 가이드는 이러한 일반적인 문제를 효율적으로 해결하기 위한 단계별 문제 해결 지침을 제공합니다.

Link to this sectionYOLO26 모델 학습을 위한 ClearML 태스크는 어떻게 설정합니까?#

YOLO26 학습을 위한 ClearML 태스크 설정은 태스크 초기화, 모델 변형 선택, 모델 로드, 학습 인수 설정, 마지막으로 모델 학습 시작을 포함합니다. 다음은 간단한 예시입니다:

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)

이 단계에 대한 자세한 내용은 사용 가이드를 참조하십시오.

Link to this sectionYOLO26 학습 결과를 ClearML에서 어디에서 볼 수 있습니까?#

ClearML로 YOLO26 학습 스크립트를 실행한 후, ClearML 결과 페이지에서 결과를 볼 수 있습니다. 출력에는 지표를 추적하고, 실험을 비교하고, 리소스 사용량을 모니터링할 수 있는 ClearML 대시보드에 대한 URL 링크가 포함됩니다. 결과를 보고 해석하는 방법에 대한 자세한 내용은 ClearML 결과 페이지 보기 섹션을 확인하십시오.

기여자
GLglenn-jocher18RIRizwanMunawar2Y-Y-T-G1WIWillie Maddox1LALaughing-q1MAMatthewNoyce1IVIvorZhu3311ABabirami-vina1

댓글