Treinar YOLO26 com ClearML: Otimizando seu fluxo de trabalho de MLOps#

O MLOps preenche a lacuna entre a criação e a implantação de modelos de machine learning em ambientes reais. Ele se concentra na implantação eficiente, escalabilidade e gerenciamento contínuo para garantir que os modelos tenham um bom desempenho em aplicações práticas.

O Ultralytics YOLO26 integra-se perfeitamente com o ClearML, simplificando e aprimorando o treinamento e o gerenciamento do seu modelo de object detection. Este guia orientará você pelo processo de integração, detalhando como configurar o ClearML, gerenciar experimentos, automatizar o gerenciamento de modelos e colaborar de forma eficaz.

ClearML#

O ClearML é uma plataforma de MLOps de código aberto inovadora, inteligentemente projetada para automatizar, monitorar e orquestrar fluxos de trabalho de machine learning. Seus principais recursos incluem registro automatizado de todos os dados de treinamento e inferência para reprodutibilidade total de experimentos, uma interface web intuitiva para fácil data visualization e análise, optimization algorithms avançados de hiperparâmetros e gerenciamento robusto de modelos para implantação eficiente em várias plataformas.

Treinamento do YOLO26 com ClearML#

Você pode trazer automação e eficiência ao seu fluxo de trabalho de machine learning integrando o YOLO26 ao ClearML para melhorar seu processo de treinamento.

Instalação#

Para instalar os pacotes necessários, execute:

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

Para instruções detalhadas e melhores práticas relacionadas ao processo de instalação, não deixe de conferir nosso YOLO26 Installation guide. Ao instalar os pacotes necessários para o YOLO26, caso encontre alguma dificuldade, consulte nosso Common Issues guide para soluções e dicas.

Configurando o ClearML#

Após instalar os pacotes necessários, o próximo passo é inicializar e configurar seu SDK do ClearML. Isso envolve configurar sua conta ClearML e obter as credenciais necessárias para uma conexão perfeita entre seu ambiente de desenvolvimento e o servidor ClearML.

Comece inicializando o SDK do ClearML em seu ambiente. O comando clearml-init inicia o processo de configuração e solicita as credenciais necessárias.

# Initialize your ClearML SDK setup process
clearml-init

Após executar este comando, visite a ClearML Settings page. Navegue até o canto superior direito e selecione "Settings". Vá para a seção "Workspace" e clique em "Create new credentials". Use as credenciais fornecidas no pop-up "Create Credentials" para concluir a configuração conforme as instruções, dependendo se você está configurando o ClearML em um Jupyter Notebook ou em um ambiente Python local.

Uso#

Antes de mergulhares nas instruções de uso, certifica-te de explorar a gama de YOLO26 models offered by Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado para os requisitos do teu projeto.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Entendendo o código#

Assim que o ClearML estiver instalado e configurado, o seu retorno de chamada é ativado por predefinição. Ele cria uma tarefa quando o treino começa, usa os argumentos do YOLO project e name para os nomes do projeto e da tarefa do ClearML, e liga os argumentos de treino automaticamente. Executa yolo settings clearml=False para desativar a integração. Para opções de treino e melhores práticas, consulta o Guia de Treino de Modelos YOLO26.

Entendendo a saída#

Ao executar o trecho de código de uso acima, você pode esperar a seguinte saída:

• Uma mensagem de confirmação indicando a criação de uma nova tarefa no ClearML, juntamente com seu ID exclusivo.
• Uma mensagem informativa sobre o código do script sendo armazenado, indicando que a execução do código está sendo rastreada pelo ClearML.
• Um link de URL para a página de resultados do ClearML, onde você pode monitorar o progresso do treinamento e visualizar logs detalhados.
• Progresso de download para o modelo YOLO26 e o dataset especificado, seguido por um resumo da arquitetura do modelo e configuração de treinamento.
• Mensagens de inicialização para vários componentes de treinamento, como TensorBoard, Automatic Mixed Precision (AMP) e preparação do conjunto de dados.
• Por fim, o processo de treinamento é iniciado, com atualizações de progresso à medida que o modelo é treinado no conjunto de dados especificado. Para uma compreensão aprofundada das métricas de desempenho usadas durante o treinamento, leia our guide on performance metrics.

Visualizando a página de resultados do ClearML#

Ao clicar no link de URL para a página de resultados do ClearML na saída do trecho de código de uso, você pode acessar uma visão abrangente do processo de treinamento do seu modelo.

Principais recursos da página de resultados do ClearML#

• Rastreamento de métricas em tempo real

  • Acompanhe métricas críticas como perda, accuracy e pontuações de validação à medida que ocorrem.
  • Fornece feedback imediato para ajustes oportunos de desempenho do modelo.

• Comparação de experimentos

  • Compare diferentes execuções de treinamento lado a lado.
  • Essencial para hyperparameter tuning e para identificar os modelos mais eficazes.

• Logs e saídas detalhados

  • Acesse logs abrangentes, representações gráficas de métricas e saídas de console.
  • Obtenha uma compreensão mais profunda do comportamento do modelo e da resolução de problemas.

• Monitoramento da utilização de recursos

  • Monitore a utilização de recursos computacionais, incluindo CPU, GPU e memória.
  • Fundamental para otimizar a eficiência e os custos do treinamento.

• Gerenciamento de artefatos de modelo

  • Visualize, baixe e compartilhe artefatos de modelos, como modelos treinados e checkpoints.
  • Melhora a colaboração e simplifica o model deployment e o compartilhamento.

Para um passo a passo visual de como é a página de resultados do ClearML, assista ao vídeo abaixo:

Recursos avançados no ClearML#

O ClearML oferece vários recursos avançados para aprimorar sua experiência em MLOps.

Execução remota#

O recurso de execução remota do ClearML facilita a reprodução e manipulação de experimentos em diferentes máquinas. Ele registra detalhes essenciais, como pacotes instalados e alterações não consolidadas. Quando uma tarefa é colocada na fila, o ClearML Agent a puxa, recria o ambiente e executa o experimento, retornando resultados detalhados.

Implantar um ClearML Agent é direto e pode ser feito em várias máquinas usando o seguinte comando:

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

Esta configuração é aplicável a VMs em nuvem, GPUs locais ou laptops. Os ClearML Autoscalers ajudam a gerenciar cargas de trabalho em 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 enfileiramento#

A interface amigável do ClearML permite fácil clonagem, edição e enfileiramento de tarefas. Os usuários podem clonar um experimento 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 use configurações atualizadas, tornando-o ideal para experimentação iterativa e ajuste fino de modelos.

Gerenciamento de versão de dataset#

O ClearML também oferece recursos poderosos de dataset version management que se integram perfeitamente aos fluxos de trabalho de treinamento do YOLO26. Esse recurso permite que você:

• Versionar seus datasets separadamente do seu código
• Rastrear qual versão do dataset foi usada para cada experimento
• Acessar e baixar facilmente a versão mais recente do dataset

Para preparar seu dataset para o ClearML, siga estas etapas:

1. Organize seu dataset com a estrutura padrão do YOLO (imagens, labels, etc.)

2. Copie o arquivo YAML correspondente para a raiz da pasta do seu dataset

3. Faça o upload do seu dataset usando a ferramenta ClearML Data:

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

Este comando criará um dataset versionado no ClearML que pode ser referenciado em seus scripts de treinamento, garantindo reprodutibilidade e fácil acesso aos seus dados.

Resumo#

Este guia o conduziu pelo processo de integração do ClearML com o YOLO26 da Ultralytics. Cobrindo tudo, desde a configuração inicial até o gerenciamento avançado de modelos, você descobriu como aproveitar o ClearML para treinamento eficiente, rastreamento de experimentos e otimização de fluxo de trabalho em seus projetos de machine learning.

Para obter mais detalhes sobre o uso, visite o ClearML's official YOLOv8 integration guide, que também se aplica aos fluxos de trabalho do YOLO26.

Além disso, explore mais integrações e recursos do Ultralytics visitando a Ultralytics integration guide page, que é um verdadeiro tesouro de recursos e insights.

FAQ#