Formação YOLO11 com ClearML: Simplificar o teu fluxo de trabalho MLOps
MLOps bridges the gap between creating and deploying machine learning models in real-world settings. It focuses on efficient deployment, scalability, and ongoing management to ensure models perform well in practical applications.
Ultralytics YOLO11 effortlessly integrates with ClearML, streamlining and enhancing your object detection model's training and management. This guide will walk you through the integration process, detailing how to set up ClearML, manage experiments, automate model management, and collaborate effectively.
ClearML
ClearML is an innovative open-source MLOps platform that is skillfully designed to automate, monitor, and orchestrate machine learning workflows. Its key features include automated logging of all training and inference data for full experiment reproducibility, an intuitive web UI for easy data visualization and analysis, advanced hyperparameter optimization algorithms, and robust model management for efficient deployment across various platforms.
YOLO11 Formação com ClearML
Podes trazer automação e eficiência ao teu fluxo de trabalho de aprendizagem automática, melhorando o teu processo de formação através da integração do YOLO11 com ClearML.
Instalação
Para instalar os pacotes necessários, executa:
Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulta o nosso Guia de instalação do YOLO11. Durante a instalação dos pacotes necessários para o YOLO11, se encontrares alguma dificuldade, consulta o nosso guia de Problemas comuns para obteres soluções e dicas.
Configurações ClearML
Depois de instalar os pacotes necessários, a próxima etapa é inicializar e configurar o SDK ClearML . Isso envolve a configuração de sua conta ClearML e a obtenção das credenciais necessárias para uma conexão perfeita entre seu ambiente de desenvolvimento e o servidor ClearML .
Comece inicializando o ClearML SDK em seu ambiente. O ' clearml O comando -init' inicia o processo de configuração e solicita as credenciais necessárias.
Depois de executares este comando, visita a páginaClearML Settings. Navega até ao canto superior direito e selecciona "Definições". Vai para a secção "Espaço de trabalho" e clica em "Criar novas credenciais". Utiliza as credenciais fornecidas na janela pop-up "Criar credenciais" para concluir a configuração conforme as instruções, dependendo se estás a configurar ClearML num Notebook Jupyter ou num ambiente local Python .
Utilização
Antes de mergulhar nas instruções de utilização, certifica-te de que verificas a gama de modelos YOLO11 oferecidos por Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado às necessidades do teu projeto.
Utilização
from clearml import Task
from ultralytics import YOLO
# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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)
Compreender o código
Vamos entender as etapas apresentadas no trecho de código de uso acima.
Etapa 1: Criando uma tarefa ClearML : Uma nova tarefa é inicializada em ClearML, especificando os nomes do projeto e da tarefa. Esta tarefa irá acompanhar e gerir o treino do teu modelo.
Step 2: Selecting the YOLO11 Model: O model_variant é definida como 'yolo11n', um dos modelos YOLO11. Esta variante é então registada em ClearML para rastreio.
Step 3: Loading the YOLO11 Model: The selected YOLO11 model is loaded using Ultralytics' YOLO class, preparing it for training.
Etapa 4: Definir os argumentos de formação: Argumentos chave para a formação, como o conjunto de dados (coco8.yaml) and the number of épocas (16) são organizados num dicionário e ligados à tarefa ClearML . Isto permite o acompanhamento e a potencial modificação através da IU ClearML . Para uma compreensão detalhada do processo de formação de modelos e das melhores práticas, consulta a nossa YOLO11 Model Training guide.
Passo 5: Iniciar a formação de modelos: Inicia o treino do modelo com os argumentos especificados. Os resultados do processo de treino são capturados no ficheiro results variável.
Compreender a saída
Ao executar o trecho 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 seu ID único.
- Uma mensagem informativa sobre o código do script que está a ser armazenado, indicando que a execução do código está a ser monitorizada por ClearML.
- Uma ligação URL para a página de resultados ClearML onde podes acompanhar o progresso do treino e ver registos detalhados.
- Descarrega o progresso do modelo YOLO11 e do conjunto de dados especificado, seguido de um resumo da arquitetura do modelo e da configuração do treino.
- Initialization messages for various training components like TensorBoard, Automatic Mixed Precision (AMP), and dataset preparation.
- Finalmente, inicia o processo de treino, com actualizações de progresso à medida que o modelo treina no conjunto de dados especificado. Para uma compreensão aprofundada das métricas de desempenho utilizadas durante o treino, lê o nosso guia sobre métricas de desempenho.
Visualiza a página de resultados ClearML
Ao clicar na ligação URL para a página de resultados ClearML na saída do snippet de código de utilização, podes aceder a uma visão abrangente do processo de formação do teu modelo.
Principais características da página de resultados ClearML
Acompanhamento de métricas em tempo real
- Track critical metrics like loss, accuracy, and validation scores as they occur.
- Fornece feedback imediato para ajustes oportunos do desempenho do modelo.
Comparação de experiências
- Compara diferentes treinos lado a lado.
- Essential for hyperparameter tuning and identifying the most effective models.
Registos e resultados detalhados
- Acede a registos abrangentes, representações gráficas de métricas e resultados da consola.
- Obtém uma compreensão mais profunda do comportamento do modelo e da resolução de problemas.
Monitorização da utilização de recursos
- Monitoriza a utilização de recursos computacionais, incluindo CPU, GPU, e memória.
- A chave para otimizar a eficiência e os custos da formação.
Gestão de artefactos do modelo
- Vê, transfere e partilha artefactos de modelos, como modelos treinados e pontos de controlo.
- Enhances collaboration and streamlines model deployment and sharing.
Para uma apresentação visual do aspeto da página de resultados ClearML , vê o vídeo abaixo:
Observa: YOLO11 MLOps Integration using ClearML
Funcionalidades avançadas em ClearML
ClearML oferece várias funcionalidades avançadas para melhorar a tua experiência MLOps.
Execução remota
ClearMLfacilita a reprodução e a manipulação de experiências em diferentes máquinas. Regista detalhes essenciais como pacotes instalados e alterações não confirmadas. Quando uma tarefa é enfileirada, o Agente ClearML puxa-a, recria o ambiente e executa a experiência, reportando resultados detalhados.
A implantação de um agente ClearML é simples e pode ser feita em várias máquinas usando o seguinte comando:
Essa configuração é aplicável a VMs de nuvem, GPUs locais ou laptops. ClearML Os Autoscalers ajudam a gerenciar cargas de trabalho na nuvem em plataformas como AWS, GCP e Azure, automatizando a implantação de agentes e ajustando recursos com base no seu orçamento de recursos.
Clonagem, edição e colocação em fila
ClearMLpermite clonar, editar e colocar tarefas em fila de espera com facilidade. Os utilizadores podem clonar uma experiência existente, ajustar parâmetros ou outros detalhes através da IU e colocar a tarefa em fila de espera para execução. Este processo simplificado garante que o agente ClearML que executa a tarefa utiliza configurações actualizadas, o que o torna ideal para experiências iterativas e afinação de modelos.
Resumo
Este guia conduziu-te através do processo de integração de ClearML com Ultralytics' YOLO11. Abrangendo tudo, desde a configuração inicial até à gestão avançada de modelos, descobriste como tirar partido do ClearML para uma formação eficiente, acompanhamento de experiências e otimização do fluxo de trabalho nos teus projectos de aprendizagem automática.
Para mais informações sobre a utilização, visita a documentação oficial doClearML.
Além disso, explora mais integrações e capacidades de Ultralytics visitando a página do guia de integraçãoUltralytics , que é um tesouro de recursos e informações.
FAQ
Qual é o processo de integração de Ultralytics YOLO11 com ClearML?
Integração do Ultralytics YOLO11 com o ClearML envolve uma série de passos para simplificar o teu fluxo de trabalho MLOps. Primeiro, instala os pacotes necessários:
Em seguida, inicializa o SDK ClearML no teu ambiente utilizando:
You then configure ClearML with your credentials from the ClearML Settings page. Detailed instructions on the entire setup process, including model selection and training configurations, can be found in our YOLO11 Model Training guide.
Por que razão devo utilizar ClearML com Ultralytics YOLO11 para os meus projectos de aprendizagem automática?
Using ClearML with Ultralytics YOLO11 enhances your machine learning projects by automating experiment tracking, streamlining workflows, and enabling robust model management. ClearML offers real-time metrics tracking, resource utilization monitoring, and a user-friendly interface for comparing experiments. These features help optimize your model's performance and make the development process more efficient. Learn more about the benefits and procedures in our MLOps Integration guide.
Como é que resolvo problemas comuns durante a integração do YOLO11 e ClearML ?
If you encounter issues during the integration of YOLO11 with ClearML, consult our Common Issues guide for solutions and tips. Typical problems might involve package installation errors, credential setup, or configuration issues. This guide provides step-by-step troubleshooting instructions to resolve these common issues efficiently.
Como é que configuro a tarefa ClearML para o treino do modelo YOLO11?
A configuração de uma tarefa ClearML para o treino YOLO11 envolve a inicialização de uma tarefa, a seleção da variante do modelo, o carregamento do modelo, a configuração dos argumentos de treino e, finalmente, o início do treino do modelo. Apresentamos-te um exemplo simplificado:
from clearml import Task
from ultralytics import YOLO
# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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)
Consulta o nosso Guia de utilização para obteres uma descrição detalhada destes passos.
Onde posso ver os resultados da minha formação YOLO11 em ClearML?
After running your YOLO11 training script with ClearML, you can view the results on the ClearML results page. The output will include a URL link to the ClearML dashboard, where you can track metrics, compare experiments, and monitor resource usage. For more details on how to view and interpret the results, check our section on Viewing the ClearML Results Page.
