Link to this sectionYOLO26'yı ClearML ile Eğitmek: MLOps İş Akışınızı Kolaylaştırma#

MLOps, makine öğrenimi modellerini oluşturmak ile bunları gerçek dünya ortamlarında dağıtmak arasındaki boşluğu doldurur. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtım, ölçeklenebilirlik ve sürekli yönetime odaklanır.

Ultralytics YOLO26, ClearML ile zahmetsizce entegre olarak nesne algılama modelinin eğitimini ve yönetimini kolaylaştırır ve geliştirir. Bu rehber, ClearML'i nasıl kuracağınızı, deneyleri nasıl yöneteceğinizi, model yönetimini nasıl otomatikleştireceğinizi ve nasıl etkili bir şekilde iş birliği yapacağınızı detaylandırarak entegrasyon sürecinde sana yol gösterecektir.

Link to this sectionClearML#

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için ustalıkla tasarlanmış yenilikçi, açık kaynaklı bir MLOps platformudur. Temel özellikleri arasında tam deney tekrarlanabilirliği için tüm eğitim ve çıkarım verilerinin otomatik olarak kaydedilmesi, kolay veri görselleştirme ve analiz için sezgisel bir web arayüzü, gelişmiş hiperparametre optimizasyon algoritmaları ve çeşitli platformlarda verimli dağıtım için sağlam model yönetimi yer alır.

Link to this sectionClearML ile YOLO26 Eğitimi#

Eğitim sürecini iyileştirmek için YOLO26'yı ClearML ile entegre ederek makine öğrenimi iş akışına otomasyon ve verimlilik getirebilirsin.

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

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

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum rehberimize göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar rehberimize başvur.

Link to this sectionClearML'i Yapılandırma#

Gerekli paketleri kurduktan sonra bir sonraki adım, ClearML SDK'nı başlatmak ve yapılandırmaktır. Bu, ClearML hesabını oluşturmayı ve geliştirme ortamın ile ClearML sunucusu arasında sorunsuz bir bağlantı için gerekli kimlik bilgilerini almayı içerir.

Ortamında ClearML SDK'sını başlatarak başla. clearml-init komutu kurulum sürecini başlatır ve senden gerekli kimlik bilgilerini ister.

# Initialize your ClearML SDK setup process
clearml-init

Bu komutu çalıştırdıktan sonra ClearML Ayarlar sayfasına git. Sağ üst köşeye gidip "Settings"i seç. "Workspace" bölümüne git ve "Create new credentials"a tıkla. ClearML'i bir Jupyter Notebook'ta mı yoksa yerel bir Python ortamında mı yapılandırdığına bağlı olarak, kurulumu talimatlara göre tamamlamak için "Create Credentials" açılır penceresinde sağlanan kimlik bilgilerini kullan.

Link to this sectionKullanım#

Before diving into the usage instructions, be sure to check out the range of YOLO26 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

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 sectionKodu Anlamak#

Yukarıdaki kullanım kod parçacığında gösterilen adımları anlayalım.

Adım 1: Bir ClearML Görevi Oluşturma: Proje ve görev adlarını belirterek ClearML'de yeni bir görev başlatılır. Bu görev, modelinin eğitimini izleyecek ve yönetecektir.

Adım 2: YOLO26 Modelini Seçme: model_variant değişkeni, YOLO26 modellerinden biri olan 'yolo26n' olarak ayarlanır. Bu varyant daha sonra izleme için ClearML'e kaydedilir.

Adım 3: YOLO26 Modelini Yükleme: Seçilen YOLO26 modeli, Ultralytics'in YOLO sınıfı kullanılarak yüklenir ve eğitime hazırlanır.

Adım 4: Eğitim Argümanlarını Ayarlama: Veri seti (coco8.yaml) ve epoch sayısı (16) gibi temel eğitim argümanları bir sözlükte düzenlenir ve ClearML görevine bağlanır. Bu, ClearML arayüzü üzerinden izleme ve potansiyel değişiklik yapılmasına olanak tanır. Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi rehberimize bakabilirsin.

Adım 5: Model Eğitimini Başlatma: Model eğitimi, belirtilen argümanlarla başlatılır. Eğitim sürecinin sonuçları results değişkeninde yakalanır.

Link to this sectionÇıktıyı Anlamak#

Yukarıdaki kullanım kod parçacığını çalıştırdığında şu çıktıyı görmeyi bekleyebilirsin:

• Benzersiz kimliğiyle birlikte yeni bir ClearML görevinin oluşturulduğunu belirten bir onay mesajı.
• Kodun yürütülmesinin ClearML tarafından izlendiğini belirten, betik kodunun saklandığına dair bilgilendirici bir mesaj.
• Eğitim ilerlemesini izleyebileceğin ve ayrıntılı günlükleri görüntüleyebileceğin ClearML sonuçları sayfasına bir URL bağlantısı.
• YOLO26 modeli ve belirtilen veri seti için indirme ilerlemesi, ardından model mimarisinin ve eğitim yapılandırmasının bir özeti.
• TensorBoard, Otomatik Karma Hassasiyet (AMP) ve veri seti hazırlığı gibi çeşitli eğitim bileşenleri için başlatma mesajları.
• Son olarak, model belirtilen veri setinde eğitilirken ilerleme güncellemeleri ile eğitim süreci başlar. Eğitim sırasında kullanılan performans metrikleri hakkında derinlemesine bilgi için performans metrikleri hakkındaki rehberimizi oku.

Link to this sectionClearML Sonuçlar Sayfasını Görüntüleme#

Kullanım kod parçacığının çıktısındaki ClearML sonuçları sayfasına giden URL bağlantısına tıklayarak, modelinin eğitim sürecinin kapsamlı bir görünümüne erişebilirsin.

Link to this sectionClearML Sonuçlar Sayfasının Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi

  • Kayıp, doğruluk ve doğrulama puanları gibi kritik metrikleri gerçekleştikleri anda takip et.
  • Model performans ayarlamalarının zamanında yapılması için anında geri bildirim sağlar.

• Deney Karşılaştırma

  • Farklı eğitim çalışmalarını yan yana karşılaştır.
  • Hiperparametre ayarı ve en etkili modellerin belirlenmesi için gereklidir.

• Ayrıntılı Günlükler ve Çıktılar

  • Kapsamlı günlüklere, metriklerin grafiksel gösterimlerine ve konsol çıktılarına eriş.
  • Model davranışı ve sorun çözme hakkında daha derin bir anlayış kazan.

• Kaynak Kullanım İzleme

  • CPU, GPU ve bellek dahil olmak üzere bilişim kaynaklarının kullanımını izle.
  • Eğitim verimliliğini ve maliyetlerini optimize etmenin anahtarıdır.

• Model Yapıtları Yönetimi

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

ClearML Sonuçlar Sayfasının nasıl göründüğüne dair görsel bir rehber için aşağıdaki videoyu izle:

Link to this sectionClearML'deki Gelişmiş Özellikler#

ClearML, MLOps deneyimini geliştirmek için birçok gelişmiş özellik sunar.

Link to this sectionUzaktan Yürütme#

ClearML'in uzaktan yürütme özelliği, deneylerin farklı makinelerde yeniden üretilmesini ve manipüle edilmesini kolaylaştırır. Yüklü paketler ve işlenmemiş değişiklikler gibi temel ayrıntıları kaydeder. Bir görev sıraya alındığında, ClearML Agent onu çeker, ortamı yeniden oluşturur, deneyi yürütür ve ayrıntılı sonuçlarla geri bildirimde bulunur.

Bir ClearML Agent dağıtmak 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 geçerlidir. ClearML Autoscalers, AWS, GCP ve Azure gibi platformlarda bulut iş yüklerini yönetmeye yardımcı olur, aracıların dağıtımını otomatikleştirir ve kaynak bütçene göre kaynakları ayarlar.

Link to this sectionKlonlama, Düzenleme ve Sıraya Alma#

ClearML'in kullanıcı dostu arayüzü, görevlerin kolayca klonlanmasına, düzenlenmesine ve sıraya alınmasına olanak tanır. Kullanıcılar mevcut bir deneyi klonlayabilir, arayüz üzerinden parametreleri veya diğer ayrıntıları ayarlayabilir ve görevi yürütülmek üzere sıraya alabilir. Bu kolaylaştırılmış süreç, görevi yürüten ClearML Agent'ın güncellenmiş yapılandırmaları kullanmasını sağlar, bu da onu yinelemeli deneme ve model ince ayarı için ideal kılar.

Link to this sectionVeri Seti Sürüm Yönetimi#

ClearML ayrıca YOLO26 eğitim iş akışlarıyla sorunsuz bir şekilde entegre olan güçlü veri seti sürüm yönetimi yetenekleri sunar. Bu özellik şunları yapmanı sağlar:

• Veri setlerini kodundan ayrı olarak sürümlendir
• Her deney için hangi veri seti sürümünün kullanıldığını takip et
• En son veri seti sürümüne kolayca eriş ve indir

Veri setini ClearML için hazırlamak için şu adımları izle:

1. Veri setini standart YOLO yapısı (görseller, etiketler vb.) ile düzenle

2. İlgili YAML dosyasını veri seti klasörünün kök dizinine kopyala

3. Veri setini ClearML Data aracıyla yükle:

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

Bu komut, eğitim betiklerinde referans alınabilecek, sürümü belirlenmiş bir veri seti oluşturarak tekrarlanabilirliği ve verilerine kolay erişimi sağlar.

Link to this sectionÖzet#

Bu rehber, ClearML'in Ultralytics YOLO26 ile entegrasyon sürecinde sana yol gösterdi. İlk kurulumdan gelişmiş model yönetimine kadar her şeyi kapsayarak, makine öğrenimi projelerinde verimli eğitim, deney takibi ve iş akışı optimizasyonu için ClearML'den nasıl yararlanabileceğini keşfettin.

Kullanım hakkında daha fazla ayrıntı için, YOLO26 iş akışları için de geçerli olan ClearML'in resmi YOLOv8 entegrasyon rehberini ziyaret et.

Ayrıca, bir kaynak ve içgörü hazinesi olan Ultralytics entegrasyon rehberi sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfet.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO26'yı ClearML ile entegre etme süreci nasıldır?#

Ultralytics YOLO26'yı ClearML ile entegre etmek, MLOps iş akışını kolaylaştırmak için bir dizi adım içerir. Öncelikle gerekli paketleri kur:

pip install ultralytics clearml

Ardından, ortamında ClearML SDK'sını şu şekilde başlat:

clearml-init

Daha sonra ClearML'i ClearML Ayarlar sayfasından aldığın kimlik bilgilerinle yapılandır. Model seçimi ve eğitim yapılandırmaları dahil olmak üzere tüm kurulum süreciyle ilgili ayrıntılı talimatlar YOLO26 Model Eğitimi rehberimizde bulunabilir.

Link to this sectionMakine öğrenimi projelerimde Ultralytics YOLO26 ile neden ClearML kullanmalıyım?#

Ultralytics YOLO26 ile ClearML kullanmak, deney takibini otomatikleştirerek, iş akışlarını kolaylaştırarak ve sağlam bir model yönetimi sağlayarak makine öğrenimi projelerini geliştirir. ClearML; gerçek zamanlı metrik takibi, kaynak kullanım izleme ve deneyleri karşılaştırmak için kullanıcı dostu bir arayüz sunar. Bu özellikler, modelinin performansını optimize etmeye ve geliştirme sürecini daha verimli hale getirmeye yardımcı olur. Faydaları ve prosedürler hakkında daha fazla bilgiyi MLOps Entegrasyon rehberimizde bulabilirsin.

Link to this sectionYOLO26 ve ClearML entegrasyonu sırasında yaygın sorunları nasıl giderebilirim?#

YOLO26'nın ClearML ile entegrasyonu sırasında sorunlarla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar rehberimize başvur. Tipik sorunlar paket kurulum hataları, kimlik bilgisi kurulumu veya yapılandırma sorunlarını içerebilir. Bu rehber, bu yaygın sorunları verimli bir şekilde çözmek için adım adım sorun giderme talimatları sağlar.

Link to this sectionYOLO26 model eğitimi için ClearML görevini nasıl ayarlarım?#

YOLO26 eğitimi için bir ClearML görevi ayarlamak; bir görev başlatmayı, model varyantını seçmeyi, modeli yüklemeyi, eğitim argümanlarını ayarlamayı ve son olarak model eğitimini başlatmayı içerir. İşte basitleştirilmiş bir örnek:

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)

Bu adımların ayrıntılı bir dökümü için Kullanım rehberimize bak.

Link to this sectionYOLO26 eğitimimin sonuçlarını ClearML'de nerede görebilirim?#

YOLO26 eğitim betiğini ClearML ile çalıştırdıktan sonra, sonuçları ClearML sonuçları sayfasında görüntüleyebilirsin. Çıktı, metrikleri takip edebileceğin, deneyleri karşılaştırabileceğin ve kaynak kullanımını izleyebileceğin ClearML panosuna giden bir URL bağlantısı içerecektir. Sonuçların nasıl görüntüleneceği ve yorumlanacağı hakkında daha fazla ayrıntı için ClearML Sonuçlar Sayfasını Görüntüleme bölümümüze göz at.