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

O MLOps faz a ligação entre a criação e a implementação de modelos de aprendizagem automática em cenários do mundo real. Foca-se numa implementação eficiente, na escalabilidade e na gestão contínua, para garantir que os modelos têm um bom desempenho 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, incluindo 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 completa das experiências, uma interface web intuitiva para facilitar a visualização de dados e a análise, algoritmos de otimização avançados de hiperparâmetros e uma gestão robusta de modelos para uma implementação eficiente em várias plataformas.

Treino do YOLO26 com o ClearML#

Podes trazer automação e eficiência para o teu fluxo de trabalho de aprendizagem automática integrando o YOLO26 com o ClearML para melhorar o processo de treino.

Instalação#

Para instalares os pacotes necessários, executa:

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

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

Configurar o ClearML#

Depois de instalares os pacotes necessários, o passo seguinte é inicializar e configurar o teu SDK do ClearML. Isto envolve configurar a tua conta do ClearML e obter as credenciais necessárias para estabelecer uma ligação sem problemas 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 para o canto superior direito e seleciona "Settings". Acede à secção "Workspace" e clica em "Create new credentials." Usa as credenciais apresentadas na janela pop-up "Create Credentials" para concluir a configuração conforme indicado, dependendo de estares a configurar o ClearML num Jupyter Notebook ou num ambiente Python local.

Utilização#

Antes de começares a consultar as instruções de utilização, vê a gama de modelos YOLO26 disponibilizados pela Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado aos 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",
)

Compreender o código#

Depois de instalares e configurares o ClearML, o callback fica ativado por predefinição. Cria uma tarefa quando o treino começa, utiliza os argumentos YOLO project e name para os nomes do projeto e da tarefa no ClearML e liga automaticamente os argumentos de treino. Executa yolo settings clearml=False para desativar a integração. Para obteres opções de treino e boas práticas, consulta o guia de treino de modelos YOLO26.

Compreender o resultado#

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

• Uma mensagem de confirmação a indicar a criação de uma nova tarefa do ClearML, juntamente com o respetivo ID exclusivo.
• Uma mensagem informativa sobre o armazenamento do código do script, indicando que a execução do código está a ser monitorizada pelo ClearML.
• Uma hiperligação 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 do treino, como o TensorBoard, a precisão mista automática (AMP) e a preparação do conjunto de dados.
• Por fim, o processo de treino começa, com atualizações de progresso à medida que o modelo é treinado no conjunto de dados especificado. Para compreenderes detalhadamente as métricas de desempenho utilizadas durante o treino, lê o nosso guia sobre métricas de desempenho.

Consultar a página de resultados do ClearML#

Ao clicares na hiperligação para a página de resultados do ClearML apresentada no resultado do fragmento 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#

• Monitorização de métricas em tempo real

  • Monitoriza métricas essenciais, como a perda, a precisão e as pontuações de validação, à medida que são obtidas.
  • Fornece feedback imediato para permitir ajustes atempados no desempenho do modelo.

• Comparação de experiências

  • Compara diferentes execuções de treino lado a lado.
  • É essencial para o ajuste de hiperparâmetros e para identificares os modelos mais eficazes.

• 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.
  • É 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 verificação.
  • Melhora a colaboração e simplifica a implementação e a partilha de modelos.

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

Funcionalidades avançadas do ClearML#

O ClearML disponibiliza várias funcionalidades avançadas para melhorar a tua experiência de MLOps.

Execução remota#

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

A implementação de um ClearML Agent é simples e pode ser feita em várias máquinas utilizando 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 com base no teu orçamento de recursos.

Clonar, editar e colocar em fila#

A interface fácil de utilizar do ClearML permite clonar, editar e colocar tarefas em fila facilmente. Podes clonar uma experiência existente, ajustar parâmetros ou outros detalhes através da interface e colocar a tarefa em fila para execução. Este processo simplificado garante que o ClearML Agent que executa a tarefa utiliza configurações atualizadas, tornando-o ideal para experiências iterativas e afinação de modelos.

Gestão de versões de conjuntos de dados#

O ClearML também disponibiliza capacidades avançadas de gestão de versões de conjuntos de dados que se integram perfeitamente com os fluxos de trabalho de treino do YOLO26. Esta funcionalidade permite-te:

• Criar versões dos teus conjuntos de dados separadamente do código
• Controlar qual versão do conjunto de dados foi utilizada em cada experiência
• Aceder facilmente à versão mais recente do conjunto de dados e transferi-la

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

1. Organiza o teu conjunto de dados utilizando a estrutura YOLO padrão (imagens, etiquetas, etc.)

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

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

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

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

Resumo#

Este guia acompanhou-te no 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 obteres um treino eficiente, controlares experiências e otimizares fluxos de trabalho nos teus projetos de aprendizagem automática.

Para obteres mais detalhes sobre a utilização, visita 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 capacidades da Ultralytics visitando a página do guia de integrações da Ultralytics, que reúne muitos recursos e informações úteis.

Perguntas frequentes#