Link to this sectionTreinar YOLO26 com ClearML: Otimizando seu fluxo de trabalho de MLOps#

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

O Ultralytics YOLO26 integra-se facilmente ao ClearML, simplificando e aprimorando o treinamento e o gerenciamento do seu modelo de detecção de objetos. Este guia o conduzirá pelo processo de integração, detalhando como configurar o ClearML, gerenciar experimentos, automatizar o gerenciamento de modelos e colaborar de forma eficaz.

Link to this sectionClearML#

ClearML é uma plataforma de MLOps open-source inovadora, projetada habilmente 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 facilitar a visualização de dados e análise, algoritmos de otimização de hiperparâmetros avançados e gerenciamento robusto de modelos para implantação eficiente em várias plataformas.

Link to this sectionTreinamento 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.

Link to this sectionInstalação#

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 guia de instalação do YOLO26. Se encontrar dificuldades ao instalar os pacotes necessários para o YOLO26, consulte nosso guia de problemas comuns para soluções e dicas.

Link to this sectionConfigurando 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 página de configurações do ClearML. 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.

Link to this sectionUso#

Antes de mergulhar nas instruções de uso, certifique-se de conferir a gama de modelos YOLO26 oferecidos pela Ultralytics. Isso ajudará você a escolher o modelo mais apropriado para os requisitos do seu projeto.

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)

Link to this sectionEntendendo o código#

Vamos entender as etapas apresentadas no trecho de código de uso acima.

Etapa 1: Criando uma tarefa no ClearML: Uma nova tarefa é inicializada no ClearML, especificando seus nomes de projeto e tarefa. Essa tarefa rastreará e gerenciará o treinamento do seu modelo.

Etapa 2: Selecionando o modelo YOLO26: A variável model_variant é definida como 'yolo26n', um dos modelos YOLO26. Esta variante é então registrada no ClearML para rastreamento.

Etapa 3: Carregando o modelo YOLO26: O modelo YOLO26 selecionado é carregado usando a classe YOLO da Ultralytics, preparando-o para o treinamento.

Etapa 4: Configurando argumentos de treinamento: Argumentos de treinamento importantes, como o dataset (coco8.yaml) e o número de épocas (16), são organizados em um dicionário e conectados à tarefa do ClearML. Isso permite o rastreamento e possível modificação via UI do ClearML. Para uma compreensão detalhada do processo de treinamento do modelo e melhores práticas, consulte nosso guia de treinamento de modelo YOLO26.

Etapa 5: Iniciando o treinamento do modelo: O treinamento do modelo é iniciado com os argumentos especificados. Os resultados do processo de treinamento são capturados na variável results.

Link to this sectionEntendendo 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, Precisão Mista (AMP) automática e preparação de dataset.
• Finalmente, o processo de treinamento é iniciado, com atualizações de progresso à medida que o modelo treina no dataset especificado. Para uma compreensão profunda das métricas de desempenho usadas durante o treinamento, leia nosso guia sobre métricas de desempenho.

Link to this sectionVisualizando 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.

Link to this sectionPrincipais recursos da página de resultados do ClearML#

• Rastreamento de métricas em tempo real

  • Rastreie métricas críticas como perda, acurácia e pontuações de validação conforme ocorrem.
  • Fornece feedback imediato para ajustes oportunos de desempenho do modelo.

• Comparação de experimentos

  • Compare diferentes execuções de treinamento lado a lado.
  • Essencial para ajuste de hiperparâmetros e identificação dos 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.
  • Aprimora a colaboração e simplifica a implantação de modelos e o compartilhamento.

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

Link to this sectionRecursos avançados no ClearML#

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

Link to this sectionExecução remota#

O recurso de execução remota do ClearML facilita a reprodução e manipulação de experimentos em máquinas diferentes. Ele registra detalhes essenciais, como pacotes instalados e alterações não confirmadas. Quando uma tarefa é enfileirada, o ClearML Agent a puxa, recria o ambiente e executa o experimento, reportando com 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. 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.

Link to this sectionClonagem, 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.

Link to this sectionGerenciamento de versão de dataset#

O ClearML também oferece recursos poderosos de gerenciamento de versão de dataset 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.

Link to this sectionResumo#

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 mais detalhes sobre o uso, visite o guia oficial de integração do YOLOv8 com o ClearML, que também se aplica aos fluxos de trabalho do YOLO26.

Além disso, explore mais integrações e recursos da Ultralytics visitando a página de guia de integração da Ultralytics, que é um tesouro de recursos e insights.

Link to this sectionFAQ#

Link to this sectionQual é o processo para integrar o Ultralytics YOLO26 ao ClearML?#

Integrar o Ultralytics YOLO26 ao ClearML envolve uma série de etapas para simplificar seu fluxo de trabalho de MLOps. Primeiro, instale os pacotes necessários:

pip install ultralytics clearml

Em seguida, inicialize o SDK do ClearML em seu ambiente usando:

clearml-init

Você então configura o ClearML com suas credenciais da página de configurações do ClearML. Instruções detalhadas sobre todo o processo de configuração, incluindo seleção de modelo e configurações de treinamento, podem ser encontradas em nosso guia de treinamento de modelo YOLO26.

Link to this sectionPor que devo usar o ClearML com o Ultralytics YOLO26 para meus projetos de machine learning?#

Usar o ClearML com o Ultralytics YOLO26 aprimora seus projetos de machine learning automatizando o rastreamento de experimentos, simplificando fluxos de trabalho e permitindo um gerenciamento robusto de modelos. O ClearML oferece rastreamento de métricas em tempo real, monitoramento de utilização de recursos e uma interface amigável para comparar experimentos. Esses recursos ajudam a otimizar o desempenho do seu modelo e tornam o processo de desenvolvimento mais eficiente. Saiba mais sobre os benefícios e procedimentos em nosso guia de integração de MLOps.

Link to this sectionComo posso solucionar problemas comuns durante a integração do YOLO26 com o ClearML?#

Se você encontrar problemas durante a integração do YOLO26 com o ClearML, consulte nosso guia de problemas comuns para soluções e dicas. Problemas típicos podem envolver erros de instalação de pacotes, configuração de credenciais ou questões de configuração. Este guia fornece instruções passo a passo de solução de problemas para resolver esses problemas comuns de forma eficiente.

Link to this sectionComo configuro a tarefa do ClearML para treinamento de modelo YOLO26?#

Configurar uma tarefa do ClearML para o treinamento do YOLO26 envolve inicializar uma tarefa, selecionar a variante do modelo, carregar o modelo, configurar os argumentos de treinamento e, finalmente, iniciar o treinamento do modelo. Aqui está 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_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)

Consulte nosso guia de uso para um detalhamento dessas etapas.

Link to this sectionOnde posso visualizar os resultados do meu treinamento YOLO26 no ClearML?#

Após executar seu script de treinamento do YOLO26 com o ClearML, você pode visualizar os resultados na página de resultados do ClearML. A saída incluirá um link de URL para o dashboard do ClearML, onde você pode rastrear métricas, comparar experimentos e monitorar o uso de recursos. Para mais detalhes sobre como visualizar e interpretar os resultados, confira nossa seção sobre Visualizando a página de resultados do ClearML.