Обучение YOLO26 с ClearML: Оптимизация вашего рабочего процесса MLOps
MLOps устраняет разрыв между созданием и развертыванием моделей машинного обучения в реальных условиях. Он фокусируется на эффективном развертывании, масштабируемости и постоянном управлении, чтобы обеспечить хорошую работу моделей в практических приложениях.
Ultralytics YOLO26 легко интегрируется с ClearML, оптимизируя и улучшая обучение и управление вашей моделью object detection. Это руководство проведет вас через процесс интеграции, подробно описывая, как настроить ClearML, управлять экспериментами, автоматизировать управление моделями и эффективно сотрудничать.
ClearML
ClearML — это инновационная платформа MLOps с открытым исходным кодом, искусно разработанная для автоматизации, мониторинга и организации рабочих процессов машинного обучения. Ее ключевые особенности включают автоматизированное ведение журнала всех данных обучения и логического вывода для полной воспроизводимости экспериментов, интуитивно понятный веб-интерфейс для легкой визуализации данных и анализа, расширенные алгоритмы оптимизации гиперпараметров и надежное управление моделями для эффективного развертывания на различных платформах.
Обучение YOLO26 с ClearML
Вы можете привнести автоматизацию и эффективность в свой рабочий процесс машинного обучения, интегрировав YOLO26 с ClearML для улучшения процесса обучения.
Установка
Чтобы установить необходимые пакеты, выполните команду:
Установка
# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearml
Для получения подробных инструкций и рекомендаций по процессу установки обязательно ознакомьтесь с нашим руководством по установке YOLO26. Если при установке необходимых пакетов для YOLO26 вы столкнетесь с какими-либо трудностями, обратитесь к нашему руководству по распространенным проблемам для поиска решений и советов.
Настройка ClearML
После установки необходимых пакетов следующим шагом будет инициализация и настройка вашего ClearML SDK. Это включает в себя настройку вашей учетной записи ClearML и получение необходимых учетных данных для беспрепятственного соединения между вашей средой разработки и сервером ClearML.
Начните с инициализации ClearML SDK в вашей среде. The clearml-init команда запускает процесс настройки и запрашивает необходимые учетные данные.
Начальная настройка SDK
# Initialize your ClearML SDK setup process
clearml-init
После выполнения этой команды посетите страницу настроек ClearML. Перейдите в верхний правый угол и выберите «Settings». Перейдите в раздел «Workspace» и нажмите «Create new credentials». Используйте учетные данные, указанные во всплывающем окне «Create Credentials», чтобы завершить настройку в соответствии с инструкциями, в зависимости от того, настраиваете ли вы ClearML в Jupyter Notebook или в локальной среде python.
Использование
Прежде чем приступать к инструкциям по использованию, обязательно ознакомьтесь с ассортиментом моделей YOLO26, предлагаемых Ultralytics. Это поможет вам выбрать наиболее подходящую модель для требований вашего проекта.
Использование
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)
Объяснение кода
Давайте разберем шаги, показанные в приведенном выше фрагменте кода.
Шаг 1: Создание задачи ClearML: В ClearML инициализируется новая задача с указанием названий вашего проекта и задачи. Эта задача будет отслеживать и управлять обучением вашей модели.
Шаг 2: Выбор модели YOLO26: Переменная model_variant переменная установлена на 'yolo26n', одну из моделей YOLO26. Этот вариант затем регистрируется в ClearML для tracking.
Шаг 3: Загрузка модели YOLO26: Выбранная модель YOLO26 загружается с использованием класса YOLO от Ultralytics, подготавливая ее к обучению.
Шаг 4. Настройка аргументов обучения: Ключевые аргументы обучения, такие как набор данных (coco8.yaml) и количество эпох (16) организованы в словарь и связаны с задачей ClearML. Это позволяет отслеживать и потенциально изменять их через пользовательский интерфейс ClearML. Для детального понимания процесса обучения модели и лучших практик обратитесь к нашему Руководство по обучению модели YOLO26.
Шаг 5: Запуск обучения модели: Обучение модели запускается с указанными аргументами. Результаты процесса обучения фиксируются в переменной results .
Понимание выходных данных
После запуска приведенного выше фрагмента кода можно ожидать следующий вывод:
- Сообщение с подтверждением создания новой задачи ClearML, а также ее уникальный идентификатор.
- Информационное сообщение о сохранении кода скрипта, указывающее на то, что выполнение кода отслеживается ClearML.
- URL-ссылка на страницу результатов ClearML, где можно отслеживать ход обучения и просматривать подробные журналы.
- Ход загрузки модели YOLO26 и указанного набора данных, за которым следует сводка архитектуры модели и конфигурации обучения.
- Сообщения инициализации для различных компонентов обучения, таких как TensorBoard, Automatic Mixed Precision (AMP) и подготовка набора данных.
- Наконец, начинается процесс обучения с обновлениями прогресса по мере обучения модели на указанном наборе данных. Для углубленного понимания метрик производительности, используемых во время обучения, ознакомьтесь с нашим руководством по метрикам производительности.
Просмотр страницы результатов ClearML
Щелкнув URL-ссылку на страницу результатов ClearML в выходных данных фрагмента кода, вы можете получить доступ к полному обзору процесса обучения вашей модели.
Основные функции страницы результатов ClearML
Отслеживание метрик в реальном времени
- Отслеживайте критические метрики, такие как потери, точность и оценки валидации, по мере их возникновения.
- Обеспечивает немедленную обратную связь для своевременной корректировки производительности модели.
Сравнение экспериментов
- Сравните различные прогоны обучения бок о бок.
- Необходимо для настройки гиперпараметров и выявления наиболее эффективных моделей.
Подробные журналы и выходные данные
- Получите доступ к подробным журналам, графическим представлениям метрик и выводам консоли.
- Получите более глубокое понимание поведения модели и решения проблем.
Мониторинг использования ресурсов
- Контролируйте использование вычислительных ресурсов, включая CPU, GPU и память.
- Ключ к оптимизации эффективности обучения и затрат.
Управление артефактами модели
- Просматривайте, скачивайте и делитесь артефактами модели, такими как обученные модели и контрольные точки.
- Улучшает взаимодействие и оптимизирует развертывание моделей и обмен ими.
Чтобы визуально ознакомиться с тем, как выглядит страница результатов ClearML, посмотрите видео ниже:
Смотреть: Интеграция YOLO26 MLOps с использованием ClearML
Расширенные функции в ClearML
ClearML предлагает несколько расширенных функций для улучшения вашего опыта MLOps.
Удаленное выполнение
Функция удаленного выполнения ClearML облегчает воспроизведение и манипулирование экспериментами на разных машинах. Она регистрирует важные детали, такие как установленные пакеты и незафиксированные изменения. Когда задача ставится в очередь, агент ClearML извлекает ее, воссоздает среду и запускает эксперимент, сообщая подробные результаты.
Развертывание ClearML Agent не представляет сложности и может быть выполнено на различных машинах с помощью следующей команды:
clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]
Эта настройка применима к облачным виртуальным машинам, локальным GPU или ноутбукам. ClearML Autoscalers помогают управлять облачными рабочими нагрузками на таких платформах, как AWS, GCP и Azure, автоматизируя развертывание агентов и корректируя ресурсы в зависимости от вашего бюджета ресурсов.
Клонирование, редактирование и постановка в очередь
Удобный интерфейс ClearML позволяет легко клонировать, редактировать и ставить задачи в очередь. Пользователи могут клонировать существующий эксперимент, настраивать параметры или другие детали через пользовательский интерфейс и ставить задачу в очередь для выполнения. Этот оптимизированный процесс гарантирует, что ClearML Agent, выполняющий задачу, использует обновленные конфигурации, что делает его идеальным для итеративных экспериментов и тонкой настройки модели.
Управление версиями набора данных
ClearML также предлагает мощные возможности управления версиями наборов данных, которые легко интегрируются с рабочими процессами обучения YOLO26. Эта функция позволяет вам:
- Версионируйте свои наборы данных отдельно от кода
- Отслеживайте, какая версия набора данных использовалась для каждого эксперимента
- Легкий доступ и загрузка последней версии набора данных
Чтобы подготовить набор данных для ClearML, выполните следующие действия:
- Организуйте свой набор данных со стандартной структурой YOLO (изображения, метки и т. д.)
- Скопируйте соответствующий YAML-файл в корень папки вашего набора данных.
Загрузите 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 набор данных с указанием версии в ClearML, на который можно ссылаться в ваших скриптах обучения, обеспечивая воспроизводимость и легкий доступ к вашим данным.
Обзор
Это руководство провело вас через процесс интеграции ClearML с YOLO26 от Ultralytics. Охватывая все, от первоначальной настройки до расширенного управления моделями, вы узнали, как использовать ClearML для эффективного обучения, experiment tracking и оптимизации рабочих процессов в ваших проектах машинного обучения.
Для получения более подробной информации об использовании посетите официальное руководство ClearML по интеграции YOLOv8, которое также применимо к рабочим процессам YOLO26.
Кроме того, изучите другие интеграции и возможности Ultralytics, посетив страницу руководства по интеграции Ultralytics, которая является сокровищницей ресурсов и идей.
Часто задаваемые вопросы
Каков процесс интеграции Ultralytics YOLO26 с ClearML?
Интеграция Ultralytics YOLO26 с ClearML включает ряд шагов для оптимизации вашего рабочего процесса MLOps. Во-первых, установите необходимые пакеты:
pip install ultralytics clearml
Затем инициализируйте ClearML SDK в своей среде, используя:
clearml-init
Затем вы настраиваете ClearML, используя свои учетные данные со страницы настроек ClearML. Подробные инструкции по всему процессу настройки, включая выбор модели и конфигурации обучения, можно найти в нашем руководстве по обучению модели YOLO26.
Почему мне следует использовать ClearML с Ultralytics YOLO26 для моих проектов машинного обучения?
Использование ClearML с Ultralytics YOLO26 улучшает ваши проекты машинного обучения за счет автоматизации experiment tracking, 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 вашей модели и сделать процесс разработки более эффективным. Узнайте больше о преимуществах и процедурах в нашем руководстве по интеграции MLOps.
Как устранить распространенные проблемы при интеграции YOLO26 и ClearML?
Если вы столкнетесь с проблемами при интеграции YOLO26 с ClearML, обратитесь к нашему руководству по распространенным проблемам для поиска решений и советов. Типичные проблемы могут включать ошибки установки пакетов, настройку учетных данных или проблемы с конфигурацией. Это руководство содержит пошаговые инструкции по устранению этих распространенных проблем.
Как 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)
Обратитесь к нашему руководству по использованию для получения подробной информации об этих шагах.
Где я могу просмотреть результаты обучения YOLO26 в ClearML?
После запуска скрипта обучения YOLO26 с ClearML вы можете просмотреть результаты на странице результатов ClearML. Вывод будет включать URL-ссылку на панель мониторинга ClearML, где вы сможете отслеживать метрики, сравнивать эксперименты и контролировать использование ресурсов. Для получения более подробной информации о том, как просматривать и интерпретировать результаты, ознакомьтесь с нашим разделом Просмотр страницы результатов ClearML.
