Treinar YOLO26 com ClearML: simplificar o teu fluxo de trabalho MLOps#

MLOps faz a ligação entre a criação e a implementação de modelos de aprendizagem automática em contextos do mundo real. O seu foco é a implementação eficiente, a escalabilidade e a gestão contínua, para garantir que os modelos funcionam bem em aplicações práticas.

O Ultralytics YOLO26 integra-se facilmente com o ClearML, simplificando e melhorando o treino e a gestão do teu modelo de deteção de objetos. Este guia explica o processo de integração, detalhando como configurar o ClearML, gerir experiências, automatizar a gestão de modelos e colaborar de forma eficaz.

ClearML#

O ClearML é uma plataforma MLOps inovadora e de código aberto, concebida para automatizar, monitorizar e orquestrar fluxos de trabalho de aprendizagem automática. As suas principais funcionalidades incluem o registo automático de todos os dados de treino e inferência para garantir a reprodutibilidade total das experiências, uma interface Web intuitiva para facilitar a visualização de dados e a análise, algoritmos de otimização avançados para hiperparâmetros e uma gestão robusta de modelos para uma implementação eficiente em várias plataformas.

Treinar YOLO26 com ClearML#

Podes automatizar e tornar mais eficiente o teu fluxo de trabalho de aprendizagem automática ao integrares YOLO26 com ClearML para melhorar o processo de treino.

Instalação#

Para instalar os pacotes necessários, executa:

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

Para obter instruções detalhadas e boas práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do YOLO26. Se tiveres dificuldades ao instalar os pacotes necessários para YOLO26, consulta o nosso guia de problemas comuns para encontrar soluções e sugestões.

Configurar o ClearML#

Depois de instalares os pacotes necessários, o passo seguinte é inicializar e configurar o SDK do ClearML. Para isso, tens de configurar a tua conta ClearML e obter as credenciais necessárias para estabelecer uma ligação perfeita entre o teu ambiente de desenvolvimento e o servidor ClearML.

Começa por inicializar o SDK do ClearML no teu ambiente. O comando clearml-init inicia o processo de configuração e pede-te as credenciais necessárias.

# Initialize your ClearML SDK setup process
clearml-init

Depois de executares este comando, visita a página de definições do ClearML. Vai ao canto superior direito e seleciona "Definições". Acede à secção "Workspace" e clica em "Criar novas credenciais". Utiliza as credenciais apresentadas na janela pop-up "Criar credenciais" para concluir a configuração conforme indicado, dependendo de estares a configurar o ClearML num Jupyter Notebook ou num ambiente Python local.

Uso#

Antes de consultares as instruções de utilização, não te esqueças de ver a variedade de modelos YOLO26 disponibilizados pelo Ultralytics. Isto vai ajudar-te a escolher o modelo mais adequado aos requisitos do teu projeto.

from ultralytics import YOLO

# O callback cria e liga automaticamente a tarefa do ClearML
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Compreender o código#

Depois de instalado e configurado o ClearML, o callback é ativado por predefinição. Cria uma tarefa quando o treino começa, utiliza os argumentos YOLO project e name para definir os nomes do projeto e da tarefa ClearML e liga automaticamente os argumentos de treino. Executa yolo settings clearml=False para desativar a integração. Para conhecer as opções de treino e as boas práticas, consulta o guia de treino de modelos YOLO26.

Compreender os resultados#

Ao executares o excerto de código de utilização acima, podes esperar o seguinte resultado:

• Uma mensagem de confirmação que indica a criação de uma nova tarefa ClearML, juntamente com o respetivo ID único.
• Uma mensagem informativa sobre o armazenamento do código do script, indicando que a execução do código está a ser monitorizada pelo ClearML.
• Um URL para a página de resultados do ClearML, onde podes monitorizar o progresso do treino e consultar registos detalhados.
• O progresso da transferência do modelo YOLO26 e do conjunto de dados especificado, seguido de um resumo da arquitetura do modelo e da configuração do treino.
• Mensagens de inicialização de vários componentes de treino, como o TensorBoard, a precisão mista automática (AMP) e a preparação do conjunto de dados.
• Por fim, o processo de treino começa e apresenta atualizações de progresso à medida que o modelo é treinado com o conjunto de dados especificado. Para compreender em profundidade as métricas de desempenho utilizadas durante o treino, lê o nosso guia sobre métricas de desempenho.

Ver a página de resultados do ClearML#

Ao clicares no URL da página de resultados do ClearML apresentado no resultado do excerto de código de utilização, podes aceder a uma visão abrangente do processo de treino do teu modelo.

Principais funcionalidades da página de resultados do ClearML#

• Acompanhamento de métricas em tempo real

  • Acompanha métricas importantes, como a perda, a precisão e as pontuações de validação, à medida que são calculadas.
  • Fornece feedback imediato para que possas ajustar atempadamente o desempenho do modelo.

• Comparação de experiências

  • Compara lado a lado diferentes execuções de treino.
  • Essencial para a otimização de hiperparâmetros e a identificação dos modelos mais eficazes.

• Registos e resultados detalhados

  • Acede a registos abrangentes, representações gráficas das métricas e resultados da consola.
  • Compreende melhor o comportamento do modelo e a resolução de problemas.

• Monitorização da utilização de recursos

  • Monitoriza a utilização dos recursos computacionais, incluindo CPU, GPU e memória.
  • Fundamental para otimizar a eficiência e os custos do treino.

• Gestão de artefactos do modelo

  • Consulta, transfere e partilha artefactos do modelo, como modelos treinados e pontos de controlo.
  • Melhora a colaboração e simplifica a implementação de modelos e a partilha.

Para veres uma demonstração visual da página de resultados do ClearML, assiste ao vídeo abaixo:

Funcionalidades avançadas do ClearML#

O ClearML oferece várias funcionalidades avançadas para melhorar a tua experiência com MLOps.

Execução remota#

A funcionalidade de execução remota do ClearML facilita a reprodução e a modificação de experiências em diferentes máquinas. Regista detalhes essenciais, como os pacotes instalados e as alterações não confirmadas. Quando uma tarefa é colocada na fila, o ClearML Agent obtém a tarefa, recria o ambiente e executa a experiência, devolvendo resultados detalhados.

É simples implementar um ClearML Agent e podes fazê-lo em várias máquinas com o seguinte comando:

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

Esta configuração aplica-se a VMs na nuvem, GPUs locais ou computadores portáteis. Os ClearML Autoscalers ajudam a gerir cargas de trabalho na nuvem em plataformas como AWS, GCP e Azure, automatizando a implementação de agentes e ajustando os recursos de acordo com o teu orçamento de recursos.

Clonar, editar e colocar na fila#

A interface intuitiva do ClearML facilita a clonagem, a edição e o enfileiramento de tarefas. Os utilizadores podem clonar uma experiência existente, ajustar parâmetros ou outros detalhes através da interface e enfileirar a tarefa para execução. Este processo simplificado garante que o ClearML Agent que executa a tarefa utiliza configurações atualizadas, o que o torna ideal para experiências iterativas e ajuste fino de modelos.

Gestão de versões de conjuntos de dados#

O ClearML também oferece recursos avançados de gestão de versões de conjuntos de dados, que se integram perfeitamente nos fluxos de trabalho de treino do YOLO26. Este recurso permite-te:

• Versionar os teus conjuntos de dados separadamente do teu código
• Acompanhar qual a versão do conjunto de dados utilizada em cada experiência
• Aceder e transferir facilmente a versão mais recente do conjunto de dados

Para preparar o teu conjunto de dados para o ClearML, segue estes passos:

1. Organiza o teu conjunto de dados com a estrutura YOLO padrão (images, labels, etc.)

2. Copia o ficheiro YAML correspondente para a raiz da pasta do conjunto de dados

3. Carrega o teu conjunto de dados com a ferramenta ClearML Data:

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

Este comando cria no ClearML um conjunto de dados com versões, que pode ser referenciado nos teus scripts de treino, garantindo a reprodutibilidade e o acesso fácil aos teus dados.

Resumo#

Este guia mostrou-te o processo de integração do ClearML com o YOLO26 da Ultralytics. Desde a configuração inicial até à gestão avançada de modelos, descobriste como tirar partido do ClearML para otimizar o treino, acompanhar experiências e otimizar fluxos de trabalho nos teus projetos de aprendizagem automática.

Para mais informações sobre a utilização, consulta o guia oficial de integração do YOLOv8 com o ClearML, que também se aplica aos fluxos de trabalho do YOLO26.

Além disso, explora mais integrações e recursos da Ultralytics na página do guia de integrações da Ultralytics, uma valiosa fonte de recursos e informações.

Perguntas frequentes#