ClearML ile YOLO26 Eğitimi: MLOps İş Akışını Kolaylaştırma#

MLOps, gerçek dünyadaki ortamlarda makine öğrenimi modelleri oluşturmak ve dağıtmak arasındaki boşluğu kapatır. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtıma, ölçeklenebilirliğe ve sürekli yönetime odaklanır.

Ultralytics YOLO26, ClearML ile zahmetsizce bütünleşerek nesne tespiti modelinin eğitimini ve yönetimini kolaylaştırır ve geliştirir. Bu kılavuz; ClearML'nin nasıl kurulacağını, deneylerin nasıl yönetileceğini, model yönetiminin nasıl otomatikleştirileceğini ve etkili iş birliğinin nasıl yapılacağını açıklayarak bütünleşme sürecinde sana yol gösterecek.

ClearML#

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için özenle tasarlanmış yenilikçi bir açık kaynaklı MLOps platformudur. Temel özellikleri arasında deneylerin tamamen yeniden üretilebilir olması için tüm eğitim ve çıkarım verilerinin otomatik kaydı, kolay veri görselleştirme ve analiz için sezgisel bir web arayüzü, gelişmiş hiperparametre optimizasyon algoritmaları ve çeşitli platformlarda verimli dağıtım için güçlü model yönetimi yer alır.

ClearML ile YOLO26 Eğitimi#

Eğitim sürecini iyileştirmek için YOLO26'yı ClearML ile bütünleştirerek makine öğrenimi iş akışına otomasyon ve verimlilik kazandırabilirsin.

Kurulum#

Gerekli paketleri yüklemek için şunu çalıştır:

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

Yükleme sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

ClearML'yi Yapılandırma#

Gerekli paketleri yükledikten sonraki adım, ClearML SDK'nı başlatıp yapılandırmaktır. Bunun için ClearML hesabını ayarlaman ve geliştirme ortamın ile ClearML sunucusu arasında sorunsuz bağlantı kurmak üzere gerekli kimlik bilgilerini edinmen gerekir.

Önce ortamında ClearML SDK'yı başlat. clearml-init komutu kurulum sürecini başlatır ve gerekli kimlik bilgilerini ister.

# Initialize your ClearML SDK setup process
clearml-init

Bu komutu çalıştırdıktan sonra ClearML Ayarları sayfasını ziyaret et. Sağ üst köşeye gidip "Settings" seçeneğini belirle. "Workspace" bölümüne git ve "Create new credentials" seçeneğine tıkla. ClearML'yi Jupyter Notebook'ta mı yoksa yerel bir Python ortamında mı yapılandırdığına bağlı olarak, verilen talimatları izleyip "Create Credentials" açılır penceresinde sunulan kimlik bilgilerini kullanarak kurulumu tamamla.

Kullanım#

Kullanım yönergelerine geçmeden önce Ultralytics'in sunduğu YOLO26 model çeşitlerine göz at. Bu, proje gereksinimlerine en uygun modeli seçmene yardımcı olur.

from ultralytics import YOLO

# Geri çağırma işlevi ClearML görevini otomatik olarak oluşturur ve bağlanır
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Kodu Anlama#

ClearML yüklendikten ve yapılandırıldıktan sonra geri çağırma işlevi varsayılan olarak etkinleştirilir. Eğitim başladığında bir görev oluşturur, ClearML proje ve görev adları için YOLO'nun project ve name bağımsız değişkenlerini kullanır ve eğitim bağımsız değişkenlerini otomatik olarak bağlar. Bütünleşmeyi devre dışı bırakmak için yolo settings clearml=False komutunu çalıştır. Eğitim seçenekleri ve en iyi uygulamalar için YOLO26 Model Eğitimi kılavuzuna göz at.

Çıktıyı Anlama#

Yukarıdaki kullanım kodu parçacığını çalıştırdığında aşağıdaki çıktıyı görmeyi bekleyebilirsin:

• Yeni bir ClearML görevinin oluşturulduğunu ve benzersiz kimliğini bildiren bir onay mesajı.
• Betik kodunun kaydedildiğini ve kod yürütmesinin ClearML tarafından izlendiğini bildiren bir bilgilendirme mesajı.
• Eğitim ilerlemesini izleyebileceğin ve ayrıntılı günlükleri görüntüleyebileceğin ClearML sonuçlar sayfasının URL bağlantısı.
• YOLO26 modeli ve belirtilen veri kümesi için indirme ilerlemesinin ardından model mimarisinin ve eğitim yapılandırmasının özeti.
• TensorBoard, Otomatik Karma Hassasiyet (AMP) ve veri kümesi hazırlığı gibi çeşitli eğitim bileşenlerine ait başlatma mesajları.
• Son olarak, eğitim süreci başlar ve model belirtilen veri kümesi üzerinde eğitilirken ilerleme güncellemeleri görüntülenir. Eğitim sırasında kullanılan performans ölçümlerini ayrıntılı olarak anlamak için performans ölçümleri kılavuzumuzu oku.

ClearML Sonuçlar Sayfasını Görüntüleme#

Kullanım kodu parçacığının çıktısındaki ClearML sonuçlar sayfası URL bağlantısına tıklayarak modelinin eğitim sürecine ilişkin kapsamlı bir görünüm edinebilirsin.

ClearML Sonuçlar Sayfasının Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi

  • Kayıp, doğruluk ve doğrulama puanları gibi kritik metrikleri oluştukları anda izle.
  • Model performansında zamanında ayarlamalar yapman için anında geri bildirim sağlar.

• Deney Karşılaştırması

  • Farklı eğitim çalışmalarını yan yana karşılaştır.
  • Hiperparametre ayarı yapmak ve en etkili modelleri belirlemek için vazgeçilmezdir.

• Ayrıntılı Günlükler ve Çıktılar

  • Kapsamlı günlükleri, metriklerin grafik gösterimlerini ve konsol çıktılarını görüntüle.
  • Model davranışını ve sorun çözümünü daha iyi anla.

• Kaynak Kullanımı İzleme

  • CPU, GPU ve bellek dâhil olmak üzere hesaplama kaynaklarının kullanımını izle.
  • Eğitim verimliliğini ve maliyetlerini optimize etmek için kritik öneme sahiptir.

• Model Yapıtlarının Yönetimi

  • Eğitilmiş modeller ve kontrol noktaları gibi model yapıtlarını görüntüle, indir ve paylaş.
  • İş birliğini geliştirir, model dağıtımını ve paylaşımını kolaylaştırır.

ClearML Sonuçlar Sayfasının nasıl göründüğünü adım adım görmek için aşağıdaki videoyu izle:

ClearML'deki Gelişmiş Özellikler#

ClearML, MLOps deneyimini geliştirmek için çeşitli gelişmiş özellikler sunar.

Uzaktan Yürütme#

ClearML'nin uzaktan yürütme özelliği, deneylerin farklı makinelerde yeniden oluşturulmasını ve değiştirilmesini kolaylaştırır. Yüklenen paketler ve kaydedilmemiş değişiklikler gibi önemli ayrıntıları günlüğe kaydeder. Bir görev kuyruğa alındığında ClearML Agent görevi alır, ortamı yeniden oluşturur, deneyi çalıştırır ve ayrıntılı sonuçları geri bildirir.

ClearML Agent dağıtımı kolaydır ve aşağıdaki komut kullanılarak çeşitli makinelerde yapılabilir:

clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]

Bu kurulum bulut sanal makineleri, yerel GPU'lar veya dizüstü bilgisayarlar için uygundur. ClearML Autoscalers, AWS, GCP ve Azure gibi platformlardaki bulut iş yüklerini yönetmeye yardımcı olur; aracıların dağıtımını otomatikleştirir ve kaynakları kaynak bütçene göre ayarlar.

Klonlama, Düzenleme ve Kuyruğa Alma#

ClearML'nin kullanıcı dostu arayüzü görevleri kolayca kopyalamana, düzenlemene ve kuyruğa eklemene olanak tanır. Kullanıcılar mevcut bir deneyi kopyalayabilir, arayüz üzerinden parametreleri veya diğer ayrıntıları ayarlayabilir ve görevi yürütülmek üzere kuyruğa ekleyebilir. Bu kolaylaştırılmış süreç, görevi yürüten ClearML Agent'ın güncel yapılandırmaları kullanmasını sağlayarak yinelemeli deneyler ve model ince ayarı için ideal bir çözüm sunar.

Veri Kümesi Sürüm Yönetimi#

ClearML ayrıca YOLO26 eğitim iş akışlarıyla sorunsuz biçimde bütünleşen güçlü veri kümesi sürüm yönetimi özellikleri sunar. Bu özellik şunları yapmanı sağlar:

• Veri kümelerinin sürümlerini kodundan bağımsız yönet
• Her deneyde hangi veri kümesi sürümünün kullanıldığını takip et
• En son veri kümesi sürümüne kolayca eriş ve onu indir

Veri kümeni ClearML için hazırlamak üzere şu adımları izle:

1. Veri kümeni standart YOLO yapısında (images, labels vb.) düzenle

2. İlgili YAML dosyasını veri kümesi klasörünün kök dizinine kopyala

3. Veri kümeni ClearML Data aracıyla yükle:

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

Bu komut, eğitim betiklerinde referans verebileceğin sürümlendirilmiş bir veri kümesini ClearML'de oluşturur; böylece tekrarlanabilirlik ve verilerine kolay erişim sağlanır.

Özet#

Bu kılavuz, ClearML'yi Ultralytics YOLO26 ile bütünleştirme sürecinde sana yol gösterdi. İlk kurulumdan gelişmiş model yönetimine kadar her şeyi kapsayan bu kılavuzda, makine öğrenimi projelerinde verimli eğitim, deney takibi ve iş akışı optimizasyonu için ClearML'den nasıl yararlanacağını öğrendin.

Kullanım hakkında daha fazla bilgi için ClearML'nin resmi YOLOv8 entegrasyon kılavuzunu ziyaret et; bu kılavuz YOLO26 iş akışları için de geçerlidir.

Ayrıca, kaynak ve içgörülerle dolu Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in diğer entegrasyonlarını ve özelliklerini keşfet.

Sık Sorulan Sorular#