ClearML 통합#

ClearML 소개#

ClearML은 머신 러닝 워크플로를 간소화하고 엔지니어링 시간을 절약하도록 설계된 오픈 소스 MLOps 플랫폼입니다.

• 🔨 실험 관리자에서 모든 YOLOv5 학습 실행을 추적합니다.
• 🔧 통합된 ClearML 데이터 버전 관리 도구를 사용하여 사용자 지정 학습 데이터의 버전을 관리하고 액세스합니다.
• 🔦 ClearML Agent를 사용하여 YOLOv5 실행을 원격으로 학습하고 모니터링합니다.
• 🔬 ClearML 하이퍼파라미터 최적화로 최상의 mAP를 찾습니다.
• 🔭 ClearML Serving을 사용하여 몇 가지 명령만으로 학습된 YOLOv5 모델을 API로 변환합니다.

필요에 따라 이러한 도구를 원하는 만큼 사용하거나 적게 사용할 수 있습니다. 실험 관리자만으로 시작하거나 모든 도구를 연결하여 전체 파이프라인을 구성할 수 있습니다.

🦾 설정#

ClearML이 실험과 데이터를 추적하려면 서버와 통신해야 합니다. 두 가지 옵션이 있습니다.

• 무료 ClearML Hosted Service에 가입하거나,
• 직접 ClearML 서버를 배포할 수 있습니다. 오픈 소스이므로 민감한 데이터에도 여전히 적합한 옵션입니다.

그런 다음 clearml Python 패키지를 설치하고 SDK를 서버에 연결합니다.

pip install clearml

Settings → Workspace → Create new credentials(ClearML UI의 오른쪽 상단)에서 자격 증명을 생성한 다음 다음 명령을 실행합니다.

clearml-init

안내에 따릅니다. 이것으로 설정이 완료됩니다.

🚀 ClearML로 YOLOv5 학습#

실험 추적을 활성화하려면 아직 설치하지 않은 경우 ClearML pip 패키지를 설치합니다.

pip install clearml

이렇게 하면 YOLOv5 학습 스크립트와의 통합이 활성화됩니다. 이제부터 모든 학습 실행이 ClearML 실험 관리자에 의해 캡처되고 저장됩니다.

프로젝트 이름과 작업 이름을 사용자 지정하려면 --project 및 --name을 train.py에 전달합니다. 기본값은 YOLOv5 및 Training입니다. ClearML은 /를 하위 프로젝트 구분자로 사용하므로 사용자 지정 프로젝트 이름에 /을 사용하지 마세요.

python train.py --img 640 --batch 16 --epochs 3 --data coco8.yaml --weights yolov5s.pt --cache

또는 사용자 지정 이름을 사용할 수 있습니다.

python train.py --project my_project --name my_training --img 640 --batch 16 --epochs 3 --data coco8.yaml --weights yolov5s.pt --cache

각 실행에서 다음 항목을 캡처합니다.

• 소스 코드 및 커밋되지 않은 변경 사항
• 설치된 패키지
• 하이퍼파라미터
• 모델 체크포인트 (--save-period n을 사용하면 매 n 에포크마다 저장)
• 콘솔 출력
• 스칼라(mAP_0.5, mAP_0.5:0.95, 정밀도, 재현율, 손실, 학습률)
• 머신 세부 정보, 런타임 및 생성 날짜
• 레이블 상관도 및 혼동 행렬과 같은 생성된 플롯
• 각 에포크의 바운딩 박스가 포함된 이미지
• 각 에포크의 모자이크 시각화
• 각 에포크의 검증 이미지

모든 항목이 ClearML UI에 표시되므로 한곳에서 학습을 모니터링할 수 있습니다. 사용자 지정 열(예: mAP_0.5)을 추가하여 성능이 가장 우수한 모델을 기준으로 정렬하거나 여러 실험을 선택하여 나란히 비교할 수 있습니다.

하이퍼파라미터 최적화 및 원격 실행에 대한 내용은 계속해서 확인하세요.

🔗 데이터셋 버전 관리#

코드와 데이터를 별도로 버전 관리하면 최신 버전을 쉽게 가져올 수 있고 완전한 재현성을 보장할 수 있습니다. 이 리포지토리는 데이터셋 버전 ID를 받아 데이터가 없으면 자동으로 가져오고, 해당 ID를 작업 매개변수로 기록하므로 어떤 실험에 어떤 데이터가 사용되었는지 항상 확인할 수 있습니다.

데이터셋 준비#

YOLOv5 리포지토리는 YAML 구성 파일을 통해 다양한 데이터셋을 지원합니다. 기본적으로 데이터셋은 리포지토리 루트 기준 ../datasets 폴더에 다운로드됩니다. coco128을 다운로드한 후 폴더 구조는 다음과 같습니다.

..
|_ yolov5
|_ datasets
    |_ coco128
        |_ images
        |_ labels
        |_ LICENSE
        |_ README.txt

이 구조를 유지한다면 어떤 데이터셋이든 사용할 수 있습니다.

다음으로 데이터셋의 YAML 파일을 데이터셋 루트 폴더에 복사합니다. ClearML은 데이터셋을 올바르게 사용하기 위해 이 파일을 읽습니다. 예시 레이아웃을 따라 자체 YAML을 작성할 수 있으며, path, train, test, val, nc, names를 정의해야 합니다.

..
|_ yolov5
|_ datasets
    |_ coco128
        |_ images
        |_ labels
        |_ coco128.yaml  # <---- HERE
        |_ LICENSE
        |_ README.txt

데이터셋 업로드#

데이터셋을 버전이 관리되는 ClearML 데이터셋으로 등록하려면 해당 데이터셋의 루트 폴더로 이동하여 다음을 실행합니다.

cd ../datasets/coco128
clearml-data sync --project YOLOv5 --name coco128 --folder .

clearml-data sync은 다음 명령 시퀀스의 축약형이며, 이를 명시적으로 실행할 수도 있습니다.

# Add --parent <parent_dataset_id> to base this version on a previous one.
# Duplicate files are not re-uploaded.
clearml-data create --name coco128 --project YOLOv5
clearml-data add --files .
clearml-data close

ClearML 데이터셋으로 학습#

데이터셋이 등록되면 ID를 사용하여 학습이 해당 데이터셋을 가리키도록 설정합니다.

python train.py --img 640 --batch 16 --epochs 3 --data clearml://YOUR_DATASET_ID --weights yolov5s.pt --cache

👀 하이퍼파라미터 최적화#

실험과 데이터의 버전이 관리되면 이를 기반으로 구축할 수 있습니다. 추적된 각 실험에는 코드, 설치된 패키지 및 구성 등 전체 환경이 캡처되므로 실행을 완전히 재현할 수 있습니다. ClearML을 사용하면 실험을 복제하고 매개변수를 변경한 다음 자동으로 다시 실행할 수 있으며, 이것이 하이퍼파라미터 최적화(HPO)의 기반이 됩니다.

HPO를 로컬에서 실행하려면 번들 스크립트를 사용합니다. 먼저 실험 관리자에 학습 작업이 있는지 확인합니다. 스크립트가 해당 작업을 복제하고 하이퍼파라미터를 변경합니다.

utils/loggers/clearml/hpo.py에서 템플릿 작업 ID를 입력한 다음 다음을 실행합니다.

# Install Optuna or change the optimizer to RandomSearch.
pip install optuna
python utils/loggers/clearml/hpo.py

task.execute_locally()을 task.execute()로 변경하면 원격 에이전트가 가져갈 수 있도록 작업이 ClearML 큐로 전송됩니다.

🤯 원격 실행(고급)#

HPO를 로컬에서 실행하는 것은 편리하지만, 온프레미스 GPU 머신이나 클라우드 인스턴스 등 더 강력한 하드웨어에서 실험을 실행해야 하는 경우가 많습니다. 이것이 ClearML Agent의 역할입니다.

• YouTube 개요
• 문서

추적된 각 실험에는 다른 머신에서 재현하는 데 필요한 모든 것(설치된 패키지, 커밋되지 않은 변경 사항 및 구성)이 포함됩니다. ClearML 에이전트는 큐를 수신 대기하고, 들어오는 작업을 가져오며, 환경을 재생성하고, 작업을 실행한 다음 스칼라와 플롯을 실험 관리자로 스트리밍합니다.

다음 명령을 사용하면 클라우드 VM, 로컬 GPU 머신 또는 노트북 등 모든 머신을 ClearML 에이전트로 전환할 수 있습니다.

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

복제, 편집 및 큐에 추가#

에이전트가 실행 중이면 UI에서 직접 작업을 할당할 수 있습니다.

• 🪄 실험을 마우스 오른쪽 버튼으로 클릭하고 복제합니다.
• 🎯 하이퍼파라미터를 편집합니다.
• ⏳ 복제된 작업을 마우스 오른쪽 버튼으로 클릭하고 대상 큐에 추가합니다.

원격으로 작업 실행#

ClearML 로거가 인스턴스화된 후 task.execute_remotely()을 추가하면 실행 중인 스크립트를 프로그래밍 방식으로 원격 실행하도록 표시할 수도 있습니다. 강조 표시된 줄을 train.py에 추가합니다.

# ...
# Loggers
data_dict = None
if RANK in {-1, 0}:
    loggers = Loggers(save_dir, weights, opt, hyp, LOGGER)  # loggers instance
    if loggers.clearml:
        loggers.clearml.task.execute_remotely(queue="my_queue")  # <------ ADD THIS LINE
        # data_dict is None unless the user selected a ClearML dataset, in which case ClearML fills it in.
        data_dict = loggers.clearml.data_dict
# ...

이 변경 후 학습 스크립트를 실행하면 해당 줄까지 실행하고 코드를 패키징한 다음 큐로 전송합니다.

워커 자동 확장#

ClearML에는 자동 확장기가 포함되어 있습니다. 큐에 대기 중인 실험이 있으면 AWS, GCP 또는 Azure에서 원격 머신을 시작하고, 이를 ClearML 에이전트로 변환하며, 작업이 완료되면 종료합니다. 따라서 실제로 실행 중인 컴퓨팅 리소스에 대해서만 비용을 지불합니다.

아래의 시작하기 동영상을 시청하세요.

자세히 알아보기#

Ultralytics 모델과 ClearML의 통합에 대한 자세한 내용은 ClearML 통합 가이드를 확인하고, 다른 실험 추적 도구를 사용하여 MLOps 워크플로를 개선하는 방법을 살펴보세요.