ClearML을 활용한 YOLO26 학습: MLOps 워크플로 간소화

MLOps는 실제 환경에서 머신러닝 모델을 생성하고 배포하는 과정 사이의 간극을 메워줍니다. 이는 모델이 실무 환경에서 원활하게 작동할 수 있도록 효율적인 배포, 확장성 및 지속적인 관리에 중점을 둡니다.

Ultralytics YOLO26은 ClearML과 원활하게 통합되어 객체 탐지 모델의 학습 및 관리 과정을 간소화하고 강화합니다. 이 가이드에서는 통합 프로세스를 안내하며, ClearML 설정 방법, 실험 관리, 모델 관리 자동화 및 효과적인 협업 방법을 자세히 설명합니다.

ClearML

ClearML MLOps platform dashboard

ClearML은 머신러닝 워크플로를 자동화, 모니터링 및 오케스트레이션하도록 설계된 혁신적인 오픈 소스 MLOps 플랫폼입니다. 주요 기능으로는 실험의 완벽한 재현성을 위한 모든 학습 및 추론 데이터의 자동 기록, 데이터 시각화와 분석을 위한 직관적인 웹 UI, 고급 하이퍼파라미터 최적화 알고리즘, 그리고 다양한 플랫폼에서 효율적인 배포를 지원하는 강력한 모델 관리 기능이 있습니다.

ClearML을 이용한 YOLO26 학습

YOLO26을 ClearML과 통합하여 머신러닝 워크플로에 자동화와 효율성을 도입하고 학습 프로세스를 개선할 수 있습니다.

설치

필요한 패키지를 설치하려면 다음을 실행하십시오:

설치

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

설치 과정에 대한 자세한 지침과 모범 사례는 YOLO26 설치 가이드를 확인하십시오. YOLO26용 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하십시오.

ClearML 구성

필요한 패키지를 설치한 후 다음 단계는 ClearML SDK를 초기화하고 구성하는 것입니다. 이 과정에는 개발 환경과 ClearML 서버 간의 원활한 연결을 위해 ClearML 계정을 설정하고 필요한 자격 증명을 획득하는 작업이 포함됩니다.

먼저 환경에서 ClearML SDK를 초기화하십시오. clearml-init 명령은 설정 프로세스를 시작하며 필요한 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 또는 로컬 Python 환경에서 구성하는지에 따라, "Create Credentials" 팝업에 제공된 자격 증명을 사용하여 안내에 따라 설정을 완료하십시오.

사용법

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)

코드 이해하기

위의 사용 코드 스니펫에서 제시된 단계를 이해해 보겠습니다.

1단계: ClearML 작업 생성: 프로젝트 및 작업 이름을 지정하여 ClearML에서 새로운 작업을 초기화합니다. 이 작업은 모델의 학습을 추적하고 관리합니다.

2단계: YOLO26 모델 선택: model_variant 변수를 YOLO26 모델 중 하나인 'yolo26n'으로 설정합니다. 이 변형은 추적을 위해 ClearML에 기록됩니다.

3단계: YOLO26 모델 로드: 선택한 YOLO26 모델을 Ultralytics의 YOLO 클래스를 사용하여 로드하여 학습을 준비합니다.

4단계: 학습 인수 설정: 데이터 세트(coco8.yaml) 및 에포크 수(16)와 같은 주요 학습 인수를 딕셔너리로 구성하고 ClearML 작업에 연결합니다. 이를 통해 ClearML UI를 통한 추적 및 수정이 가능해집니다. 모델 학습 프로세스 및 모범 사례에 대한 자세한 내용은 YOLO26 모델 학습 가이드를 참조하십시오.

5단계: 모델 학습 시작: 지정된 인수를 사용하여 모델 학습을 시작합니다. 학습 프로세스의 결과는 results 변수에 캡처됩니다.

출력 이해하기

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

고유 ID와 함께 새로운 ClearML 작업이 생성되었음을 나타내는 확인 메시지.
코드 실행이 ClearML에 의해 추적되고 있음을 나타내는, 저장된 스크립트 코드에 대한 정보 메시지.
학습 진행 상황을 모니터링하고 상세 로그를 볼 수 있는 ClearML 결과 페이지로 연결되는 URL 링크.
YOLO26 모델 및 지정된 데이터 세트에 대한 다운로드 진행률, 이어서 모델 아키텍처 및 학습 구성 요약.
TensorBoard, 자동 혼합 정밀도(AMP) 및 데이터 세트 준비와 같은 다양한 학습 구성 요소에 대한 초기화 메시지.
마지막으로 학습 프로세스가 시작되며, 모델이 지정된 데이터 세트에서 학습함에 따라 진행 상황이 업데이트됩니다. 학습 중에 사용되는 성능 지표에 대한 심층적인 이해를 원하시면 성능 지표에 관한 가이드를 읽어보십시오.

ClearML 결과 페이지 보기

사용 코드 스니펫의 출력에 있는 ClearML 결과 페이지 URL 링크를 클릭하면 모델의 학습 프로세스에 대한 포괄적인 보기를 확인할 수 있습니다.

ClearML 결과 페이지의 주요 기능

실시간 지표 추적
- 손실, 정확도 및 검증 점수와 같은 중요한 지표를 실시간으로 추적합니다.
- 모델 성능을 즉시 조정할 수 있도록 즉각적인 피드백을 제공합니다.
실험 비교
- 서로 다른 학습 실행을 나란히 비교합니다.
- 하이퍼파라미터 튜닝과 가장 효과적인 모델을 식별하는 데 필수적입니다.
상세 로그 및 출력
- 포괄적인 로그, 지표의 그래픽 표현 및 콘솔 출력에 액세스합니다.
- 모델 동작과 문제 해결에 대한 더 깊은 이해를 제공합니다.
자원 활용 모니터링
- CPU, GPU 및 메모리를 포함한 컴퓨팅 자원 활용률을 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 페이지의 모습에 대한 시각적인 안내는 아래 동영상을 시청하십시오:

Watch: YOLO26 MLOps Integration using ClearML

ClearML의 고급 기능

ClearML은 MLOps 경험을 향상하기 위한 몇 가지 고급 기능을 제공합니다.

원격 실행

ClearML의 원격 실행 기능은 다른 머신에서 실험을 재현하고 조작하는 것을 용이하게 합니다. 설치된 패키지 및 커밋되지 않은 변경 사항과 같은 필수 세부 정보를 기록합니다. 작업이 큐에 추가되면 ClearML Agent가 이를 가져와 환경을 재구축하고 실험을 실행한 다음 상세 결과를 다시 보고합니다.

ClearML Agent 배포는 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 자원 예산에 따라 자원을 조정하는 데 도움을 줍니다.

복제, 편집 및 큐 대기

ClearML의 사용자 친화적인 인터페이스를 통해 작업을 쉽게 복제, 편집 및 큐에 추가할 수 있습니다. 사용자는 기존 실험을 복제하고 UI를 통해 매개변수나 기타 세부 사항을 조정한 다음 실행을 위해 작업을 큐에 추가할 수 있습니다. 이 간소화된 프로세스는 작업을 실행하는 ClearML Agent가 업데이트된 구성을 사용하도록 보장하여 반복적인 실험 및 모델 미세 조정에 이상적입니다.

Cloning, Editing, and Enqueuing with ClearML

데이터 세트 버전 관리

ClearML은 YOLO26 학습 워크플로와 원활하게 통합되는 강력한 데이터 세트 버전 관리 기능도 제공합니다. 이 기능을 통해 다음을 수행할 수 있습니다:

코드와 별도로 데이터 세트 버전 관리
각 실험에 사용된 데이터 세트 버전 추적
최신 데이터 세트 버전에 쉽게 액세스하고 다운로드

데이터 세트를 ClearML용으로 준비하려면 다음 단계를 따르십시오:

표준 YOLO 구조(이미지, 레이블 등)로 데이터 세트 정리
해당 YAML 파일을 데이터 세트 폴더의 루트로 복사

ClearML 데이터 도구를 사용하여 데이터 세트 업로드:

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

이 명령은 학습 스크립트에서 참조할 수 있는 버전이 지정된 데이터 세트를 ClearML에 생성하여 재현성을 보장하고 데이터에 쉽게 액세스할 수 있도록 합니다.

요약

이 가이드를 통해 Ultralytics의 YOLO26과 ClearML을 통합하는 프로세스를 안내했습니다. 초기 설정부터 고급 모델 관리에 이르기까지 모든 것을 다루면서, 머신러닝 프로젝트에서 효율적인 학습, 실험 추적 및 워크플로 최적화를 위해 ClearML을 활용하는 방법을 알아보았습니다.

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

또한, 리소스와 인사이트의 보고인 Ultralytics 통합 가이드 페이지를 방문하여 Ultralytics의 더 많은 통합과 기능을 살펴보십시오.

FAQ

Ultralytics YOLO26을 ClearML과 통합하는 프로세스는 무엇입니까?

Ultralytics YOLO26과 ClearML을 통합하려면 MLOps 워크플로를 간소화하기 위한 일련의 단계가 필요합니다. 먼저 필요한 패키지를 설치하십시오:

pip install ultralytics clearml

다음으로, 다음을 사용하여 환경에서 ClearML SDK를 초기화하십시오:

clearml-init

ClearML 설정 페이지의 자격 증명을 사용하여 ClearML을 구성하십시오. 모델 선택 및 학습 구성을 포함한 전체 설정 프로세스에 대한 자세한 지침은 YOLO26 모델 학습 가이드에서 확인할 수 있습니다.

머신러닝 프로젝트에 Ultralytics YOLO26과 함께 ClearML을 사용해야 하는 이유는 무엇입니까?

Ultralytics YOLO26과 ClearML을 함께 사용하면 실험 추적 자동화, 워크플로 간소화, 강력한 모델 관리를 가능하게 하여 머신러닝 프로젝트를 향상할 수 있습니다. ClearML은 실시간 지표 추적, 자원 활용 모니터링 및 실험 비교를 위한 사용자 친화적인 인터페이스를 제공합니다. 이러한 기능은 모델 성능을 최적화하고 개발 프로세스를 더욱 효율적으로 만드는 데 도움이 됩니다. MLOps 통합 가이드에서 이점과 절차에 대해 자세히 알아보십시오.

YOLO26과 ClearML 통합 중 발생하는 일반적인 문제를 어떻게 해결합니까?

YOLO26을 ClearML과 통합하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하십시오. 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.

YOLO26 모델 학습을 위한 ClearML 작업을 어떻게 설정합니까?

YOLO26 학습을 위한 ClearML 작업 설정에는 작업 초기화, 모델 변형 선택, 모델 로드, 학습 인수 설정 및 최종적으로 모델 학습 시작이 포함됩니다. 다음은 간략한 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 단계들에 대한 자세한 설명은 사용 가이드를 참조하십시오.

ClearML에서 YOLO26 학습 결과를 어디에서 볼 수 있습니까?

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

Contributors

GLglenn-jocher¹⁷ RIRizwanMunawar² Y-Y-T-G¹WIWillie Maddox¹LALaughing-q¹ MAMatthewNoyce¹ IVIvorZhu331¹ ABabirami-vina¹

Created 2023년 11월 29일Updated 3개월 전