Formação YOLO11 com ClearML: Simplificar o seu fluxo de trabalho MLOps
O MLOps preenche a lacuna entre a criação e a implementação de modelos de aprendizagem automática em ambientes do mundo real. Centra-se na implementação eficiente, na escalabilidade e na gestão contínua para garantir que os modelos têm um bom desempenho em aplicações práticas.
Ultralytics YOLO11 integra-se sem esforço com ClearML, simplificando e melhorando a formação e gestão do seu modelo de deteção de objectos. Este guia irá guiá-lo através do processo de integração, detalhando como configurar o ClearML, gerir experiências, automatizar a gestão de modelos e colaborar eficazmente.
ClearML
ClearML é uma plataforma inovadora de MLOps de código aberto que foi habilmente concebida para automatizar, monitorizar e orquestrar fluxos de trabalho de aprendizagem automática. As suas principais caraterísticas incluem o registo automático de todos os dados de formação e inferência para uma reprodutibilidade total da experiência, uma interface Web intuitiva para facilitar a visualização e análise de dados, algoritmos avançados de otimização de hiperparâmetros e gestão robusta de modelos para uma implementação eficiente em várias plataformas.
YOLO11 Formação com ClearML
Pode trazer automação e eficiência ao seu fluxo de trabalho de aprendizagem automática, melhorando o seu processo de formação através da integração de YOLO11 com ClearML.
Instalação
Para instalar os pacotes necessários, execute:
Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulte o nosso guia de instalaçãoYOLO11 . Ao instalar os pacotes necessários para YOLO11, se encontrar alguma dificuldade, consulte o nosso guia de Problemas comuns para obter soluções e dicas.
Configuração ClearML
Depois de instalar os pacotes necessários, a próxima etapa é inicializar e configurar o SDK ClearML . Isso envolve a configuração da sua conta ClearML e a obtenção das credenciais necessárias para uma conexão perfeita entre o seu ambiente de desenvolvimento e o servidor ClearML .
Comece por inicializar o SDK ClearML no seu ambiente. O comando 'clearml-init' inicia o processo de configuração e pede-lhe as credenciais necessárias.
Depois de executar este comando, visite a páginaClearML Settings. Navegue até ao canto superior direito e selecione "Definições". Vá para a secção "Espaço de trabalho" e clique em "Criar novas credenciais". Use as credenciais fornecidas no pop-up "Criar credenciais" para concluir a configuração conforme as instruções, dependendo se você está configurando ClearML em um Jupyter Notebook ou em um ambiente local Python .
Utilização
Antes de se debruçar sobre as instruções de utilização, não deixe de consultar a gama de modelosYOLO11 propostos por Ultralytics. Isto ajudá-lo-á a escolher o modelo mais adequado às necessidades do seu 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 os passos apresentados no trecho de código de utilização acima.
Etapa 1: Criando uma tarefa ClearML : Uma nova tarefa é inicializada em ClearML, especificando os nomes do projeto e da tarefa. Esta tarefa acompanhará e gerenciará o treinamento do seu modelo.
Passo 2: Selecionar o modelo YOLO11: O model_variant é definida como 'yolo11n', um dos modelos YOLO11 . Esta variante é então registada em ClearML para rastreio.
Etapa 3: Carregamento do modelo YOLO11 : O modelo YOLO11 selecionado é carregado utilizando a classe Ultralytics' YOLO , preparando-o para a formação.
Etapa 4: Definir os argumentos de formação: Argumentos chave para a formação, como o conjunto de dados (coco8.yaml) e o número de épocas (16) são organizados num dicionário e ligados à tarefa ClearML . Isto permite o controlo e a potencial modificação através da IU ClearML . Para uma compreensão detalhada do processo de formação de modelos e das melhores práticas, consulte o nosso YOLO11 Modelo Guia de formação.
Etapa 5: Iniciar a formação de modelos: O treino do modelo é iniciado com os argumentos especificados. Os resultados do processo de treino são capturados no ficheiro results variável.
Compreender o resultado
Ao executar o trecho de código de uso acima, você pode esperar a seguinte saída:
- 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 pode acompanhar o progresso do treino e ver registos detalhados.
- Descarregar o progresso para o modelo YOLO11 e o conjunto de dados especificado, seguido de um resumo da arquitetura do modelo e da configuração de treino.
- Mensagens de inicialização para vários componentes de formação, como o TensorBoard, o Automatic Mixed Precision (AMP) e a preparação do conjunto de dados.
- Finalmente, o processo de formação é iniciado, com actualizações de progresso à medida que o modelo é treinado no conjunto de dados especificado. Para uma compreensão aprofundada das métricas de desempenho utilizadas durante a formação, leia o nosso guia sobre métricas de desempenho.
Visualizar a página de resultados ClearML
Ao clicar na ligação URL para a página de resultados ClearML na saída do snippet de código de utilização, pode aceder a uma vista abrangente do processo de formação do seu modelo.
Principais caraterísticas da página de resultados ClearML
-
Acompanhamento de métricas em tempo real
- Acompanhe métricas críticas como perda, precisão e pontuações de validação à medida que ocorrem.
- Fornece feedback imediato para ajustes atempados do desempenho do modelo.
-
Comparação de experiências
- Comparar diferentes treinos lado a lado.
- Essencial para a afinação de hiperparâmetros e para identificar os modelos mais eficazes.
-
Registos e resultados detalhados
- Aceda a registos abrangentes, representações gráficas de métricas e resultados da consola.
- Obter uma compreensão mais profunda do comportamento do modelo e da resolução de problemas.
-
Monitorização da utilização de recursos
- Monitorizar a utilização de recursos computacionais, incluindo CPU, GPU, e memória.
- A chave para otimizar a eficiência e os custos da formação.
-
Gestão de artefactos de modelos
- Veja, transfira e partilhe artefactos de modelos, como modelos treinados e pontos de controlo.
- Melhora a colaboração e simplifica a implementação e partilha de modelos.
Para uma apresentação visual do aspeto da página de resultados ClearML , veja o vídeo abaixo:
Ver: YOLO11 Integração de MLOps utilizando ClearML
Funcionalidades avançadas em ClearML
ClearML oferece várias funcionalidades avançadas para melhorar a sua 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 colocada na fila, o agente ClearML puxa-a, recria o ambiente e executa a experiência, apresentando 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 orçamento de recursos.
Clonagem, edição e colocação em fila
ClearMLpermite clonar, editar e colocar em fila de espera tarefas 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 a experimentação iterativa e a afinação de modelos.
Resumo
Este guia conduziu-o através do processo de integração de ClearML com Ultralytics' YOLO11. Abrangendo tudo, desde a configuração inicial até à gestão avançada de modelos, descobriu como tirar partido do ClearML para uma formação eficiente, acompanhamento de experiências e otimização do fluxo de trabalho nos seus projectos de aprendizagem automática.
Para mais informações sobre a utilização, visite a documentação oficial doClearML.
Além disso, explore 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?
A integração do Ultralytics YOLO11 com o ClearML envolve uma série de etapas para agilizar o fluxo de trabalho do MLOps. Primeiro, instale os pacotes necessários:
Em seguida, inicialize o SDK ClearML no seu ambiente utilizando:
Em seguida, configure ClearML com as suas credenciais na páginaClearML Settings. Poderá encontrar instruções detalhadas sobre todo o processo de configuração, incluindo a seleção de modelos e as configurações de formação, no nosso guiaYOLO11 Model Training.
Por que razão devo utilizar ClearML com Ultralytics YOLO11 para os meus projectos de aprendizagem automática?
Utilizar ClearML com Ultralytics YOLO11 melhora os seus projectos de aprendizagem automática, automatizando o acompanhamento de experiências, simplificando os fluxos de trabalho e permitindo uma gestão robusta do modelo. ClearML oferece acompanhamento de métricas em tempo real, monitorização da utilização de recursos e uma interface fácil de utilizar para comparar experiências. Estas funcionalidades ajudam a otimizar o desempenho do seu modelo e a tornar o processo de desenvolvimento mais eficiente. Saiba mais sobre os benefícios e procedimentos no nosso guia de integração MLOps.
Como é que resolvo problemas comuns durante a integração de YOLO11 e ClearML ?
Se encontrar problemas durante a integração de YOLO11 com ClearML, consulte o nosso guia de Problemas comuns para obter soluções e sugestões. Os problemas típicos podem envolver erros de instalação de pacotes, instalação de credenciais ou problemas de configuração. Este guia fornece instruções de resolução de problemas passo a passo para resolver estes problemas comuns de forma eficiente.
Como é que configuro a tarefa ClearML para o treino do modelo YOLO11 ?
A configuração de uma tarefa ClearML para o treinamento YOLO11 envolve a inicialização de uma tarefa, a seleção da variante do modelo, o carregamento do modelo, a configuração dos argumentos de treinamento e, finalmente, o início do 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_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)
Consulte o nosso Guia de utilização para obter uma descrição pormenorizada destes passos.
Onde posso ver os resultados da minha formação YOLO11 em ClearML?
Depois de executar o script de treinamento YOLO11 com ClearML, é possível visualizar os resultados na página de resultados ClearML . A saída incluirá um link de URL para o painel ClearML , onde é possível rastrear métricas, comparar experimentos e monitorar o uso de recursos. Para obter mais detalhes sobre como visualizar e interpretar os resultados, consulte a nossa secção sobre Como visualizar a página de resultados ClearML .
