Link to this sectionОбучение YOLO26 с ClearML: оптимизация твоего рабочего процесса MLOps#
MLOps устраняет разрыв между созданием и развертыванием моделей машинного обучения в реальных условиях. Основное внимание уделяется эффективному развертыванию, масштабируемости и постоянному управлению для обеспечения стабильной работы моделей в практических задачах.
Ultralytics YOLO26 легко интегрируется с ClearML, упрощая и улучшая процесс обучения и управления моделями обнаружения объектов. Это руководство поможет тебе пройти процесс интеграции, подробно описав настройку ClearML, управление экспериментами, автоматизацию управления моделями и эффективное взаимодействие.
Link to this sectionClearML#
ClearML — это инновационная платформа MLOps с открытым исходным кодом, профессионально разработанная для автоматизации, мониторинга и оркестрации рабочих процессов машинного обучения. Ключевые возможности включают автоматическое логирование всех данных обучения и вывода для полной воспроизводимости экспериментов, интуитивно понятный веб-интерфейс для простой визуализации данных и анализа, продвинутые алгоритмы оптимизации гиперпараметров, а также надежное управление моделями для эффективного развертывания на различных платформах.
Link to this sectionОбучение YOLO26 с ClearML#
Ты можешь привнести автоматизацию и эффективность в свой рабочий процесс машинного обучения, интегрировав YOLO26 с ClearML для улучшения процесса обучения.
Link to this sectionУстановка#
Чтобы установить необходимые пакеты, выполни:
# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearmlПодробные инструкции и лучшие практики по установке ищи в нашем руководстве по установке YOLO26. Если при установке необходимых пакетов для YOLO26 возникнут трудности, обратись к нашему руководству по распространенным проблемам за решениями и советами.
Link to this sectionНастройка ClearML#
После установки необходимых пакетов следующим шагом будет инициализация и настройка твоего SDK ClearML. Это включает создание учетной записи ClearML и получение необходимых учетных данных для бесшовного соединения между твоей средой разработки и сервером ClearML.
Начни с инициализации SDK ClearML в своей среде. Команда clearml-init запускает процесс настройки и запрашивает необходимые учетные данные.
# Initialize your ClearML SDK setup process
clearml-initПосле выполнения этой команды перейди на страницу настроек ClearML. Перейди в правый верхний угол и выбери «Settings». Открой раздел «Workspace» и нажми «Create new credentials». Используй учетные данные из всплывающего окна «Create Credentials», чтобы завершить настройку согласно инструкциям, в зависимости от того, настраиваешь ли ты ClearML в Jupyter Notebook или в локальной среде Python.
Link to this sectionИспользование#
Прежде чем переходить к инструкциям по использованию, ознакомься с ассортиментом моделей YOLO26, предлагаемых Ultralytics. Это поможет тебе выбрать наиболее подходящую модель для требований твоего проекта.
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 sectionРазбор кода#
Давай разберем шаги, представленные в приведенном выше фрагменте кода.
Шаг 1: Создание задачи ClearML: В ClearML инициализируется новая задача, в которой указываются названия твоего проекта и задачи. Эта задача будет отслеживать и управлять обучением твоей модели.
Шаг 2: Выбор модели YOLO26: Переменная model_variant устанавливается на 'yolo26n', одну из моделей YOLO26. Затем этот вариант логируется в ClearML для отслеживания.
Шаг 3: Загрузка модели YOLO26: Выбранная модель YOLO26 загружается с использованием класса YOLO от Ultralytics, подготавливая её к обучению.
Шаг 4: Настройка аргументов обучения: Ключевые аргументы обучения, такие как набор данных (coco8.yaml) и количество эпох (16), объединяются в словарь и связываются с задачей ClearML. Это позволяет отслеживать процесс и при необходимости изменять параметры через интерфейс ClearML. Для подробного ознакомления с процессом обучения моделей и лучшими практиками обратись к нашему руководству по обучению моделей YOLO26.
Шаг 5: Запуск обучения модели: Обучение модели начинается с указанными аргументами. Результаты процесса обучения записываются в переменную results.
Link to this sectionРазбор вывода#
После запуска приведенного выше фрагмента кода ты увидишь следующий вывод:
- Сообщение с подтверждением создания новой задачи ClearML вместе с её уникальным ID.
- Информационное сообщение о том, что код скрипта был сохранен, что указывает на отслеживание выполнения кода со стороны ClearML.
- URL-ссылка на страницу результатов ClearML, где ты можешь отслеживать прогресс обучения и просматривать подробные логи.
- Прогресс загрузки модели YOLO26 и указанного набора данных, за которым следует сводка архитектуры модели и конфигурации обучения.
- Сообщения об инициализации различных компонентов обучения, таких как TensorBoard, автоматическая смешанная точность (AMP) и подготовка набора данных.
- Наконец, начинается процесс обучения с обновлениями прогресса по мере обучения модели на указанном наборе данных. Для глубокого понимания метрик производительности, используемых во время обучения, прочти наше руководство по метрикам производительности.
Link to this sectionПросмотр страницы результатов ClearML#
Нажав на URL-ссылку на страницу результатов ClearML в выводе фрагмента кода, ты получишь доступ к полному обзору процесса обучения твоей модели.
Link to this sectionКлючевые особенности страницы результатов ClearML#
-
Отслеживание метрик в реальном времени
- Отслеживай критически важные метрики, такие как loss, точность и валидационные оценки, в процессе их изменения.
- Обеспечивает немедленную обратную связь для своевременной корректировки производительности модели.
-
Сравнение экспериментов
- Сравнивай различные запуски обучения бок о бок.
- Важно для настройки гиперпараметров и определения наиболее эффективных моделей.
-
Подробные логи и выводы
- Получи доступ к исчерпывающим логам, графическому представлению метрик и выводам консоли.
- Глубже понимай поведение модели и решай возникающие проблемы.
-
Мониторинг использования ресурсов
- Следи за использованием вычислительных ресурсов, включая CPU, GPU и память.
- Ключ к оптимизации эффективности обучения и затрат.
-
Управление артефактами модели
- Просматривай, скачивай и делись артефактами моделей, такими как обученные модели и чекпоинты.
- Улучшает совместную работу и оптимизирует развертывание и распространение моделей.
Чтобы наглядно увидеть, как выглядит страница результатов ClearML, посмотри видео ниже:
Watch: YOLO26 MLOps Integration using ClearML
Link to this sectionПродвинутые функции ClearML#
ClearML предлагает несколько продвинутых функций для улучшения твоего опыта работы с MLOps.
Link to this sectionУдаленное выполнение#
Функция удаленного выполнения в ClearML упрощает воспроизведение и манипулирование экспериментами на разных машинах. Она логирует важные детали, такие как установленные пакеты и незафиксированные изменения. Когда задача поставлена в очередь, ClearML Agent забирает её, воссоздает среду и запускает эксперимент, возвращая детальные результаты.
Развертывание ClearML Agent — задача простая, ее можно выполнить на различных машинах с помощью следующей команды:
clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]Эта настройка применима к облачным ВМ, локальным GPU или ноутбукам. ClearML Autoscalers помогают управлять облачными нагрузками на платформах типа AWS, GCP и Azure, автоматизируя развертывание агентов и регулируя ресурсы в соответствии с твоим бюджетом.
Link to this sectionКлонирование, редактирование и постановка в очередь#
Удобный интерфейс ClearML позволяет легко клонировать, редактировать и ставить задачи в очередь. Ты можешь клонировать существующий эксперимент, настроить параметры или другие детали через UI и поставить задачу на выполнение. Этот упрощенный процесс гарантирует, что ClearML Agent, выполняющий задачу, использует обновленные конфигурации, что идеально подходит для итеративных экспериментов и донастройки моделей.
Link to this sectionУправление версиями наборов данных#
ClearML также предлагает мощные возможности управления версиями наборов данных, которые бесшовно интегрируются с рабочими процессами обучения YOLO26. Эта функция позволяет тебе:
- Версионировать наборы данных отдельно от кода
- Отслеживать, какая версия набора данных использовалась для каждого эксперимента
- Легко получать доступ и скачивать последнюю версию набора данных
Чтобы подготовить свой набор данных для ClearML, следуй этим шагам:
-
Организуй свой набор данных в соответствии со стандартной структурой YOLO (изображения, метки и т.д.)
-
Скопируй соответствующий файл YAML в корень папки твоего набора данных
-
Загрузи свой набор данных с помощью инструмента ClearML Data:
cd your_dataset_folder clearml-data sync --project YOLO26 --name your_dataset_name --folder .
Эта команда создаст версионированный набор данных в ClearML, на который можно будет ссылаться в твоих скриптах обучения, что обеспечит воспроизводимость и легкий доступ к данным.
Link to this sectionРезюме#
Это руководство провело тебя через процесс интеграции ClearML с YOLO26 от Ultralytics. Охватив все этапы — от начальной настройки до продвинутого управления моделями, ты узнал, как использовать ClearML для эффективного обучения, отслеживания экспериментов и оптимизации рабочих процессов в твоих проектах по машинному обучению.
Для получения дополнительных подробностей по использованию посети официальное руководство по интеграции ClearML с YOLOv8, которое также применимо к рабочим процессам YOLO26.
Кроме того, изучи другие интеграции и возможности Ultralytics, посетив страницу руководств по интеграции Ultralytics, которая является настоящей сокровищницей ресурсов и идей.
Link to this sectionFAQ#
Link to this sectionВ чем заключается процесс интеграции Ultralytics YOLO26 с ClearML?#
Интеграция Ultralytics YOLO26 с ClearML включает ряд шагов для оптимизации твоего рабочего процесса MLOps. Сначала установи необходимые пакеты:
pip install ultralytics clearmlЗатем инициализируй SDK ClearML в своей среде с помощью:
clearml-initПосле этого настрой ClearML с помощью учетных данных со страницы настроек ClearML. Подробные инструкции по всему процессу настройки, включая выбор модели и конфигурации обучения, можно найти в нашем руководстве по обучению моделей YOLO26.
Link to this sectionПочему мне стоит использовать ClearML с Ultralytics YOLO26 для своих проектов по машинному обучению?#
Использование ClearML с Ultralytics YOLO26 улучшает твои проекты машинного обучения за счет автоматизации отслеживания экспериментов, оптимизации рабочих процессов и обеспечения надежного управления моделями. ClearML предлагает отслеживание метрик в реальном времени, мониторинг использования ресурсов и удобный интерфейс для сравнения экспериментов. Эти функции помогают оптимизировать производительность модели и сделать процесс разработки более эффективным. Узнай больше о преимуществах и процедурах в нашем руководстве по интеграции MLOps.
Link to this sectionКак устранить распространенные проблемы при интеграции YOLO26 и ClearML?#
Если ты столкнулся с проблемами при интеграции YOLO26 с ClearML, обратись к нашему руководству по распространенным проблемам за решениями и советами. Типичные проблемы могут быть связаны с ошибками установки пакетов, настройкой учетных данных или конфигурационными ошибками. Это руководство содержит пошаговые инструкции по устранению неполадок для эффективного решения распространенных проблем.
Link to this sectionКак настроить задачу ClearML для обучения модели YOLO26?#
Настройка задачи ClearML для обучения YOLO26 включает инициализацию задачи, выбор варианта модели, загрузку модели, настройку аргументов обучения и, наконец, запуск обучения модели. Вот упрощенный пример:
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)Обратись к нашему руководству по использованию для подробного разбора этих шагов.
Link to this sectionГде я могу посмотреть результаты обучения YOLO26 в ClearML?#
После запуска скрипта обучения YOLO26 с ClearML ты можешь посмотреть результаты на странице результатов ClearML. Вывод будет содержать URL-ссылку на дашборд ClearML, где ты сможешь отслеживать метрики, сравнивать эксперименты и следить за использованием ресурсов. Для получения дополнительных сведений о том, как просматривать и интерпретировать результаты, ознакомься с нашим разделом Просмотр страницы результатов ClearML.