YOLO26'yı ClearML ile Eğitme: MLOps İş Akışınızı Düzenleme

MLOps, gerçek dünya ortamlarında makine öğrenimi modelleri oluşturma ile dağıtma 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 kılavuz, 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.

ClearML

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için ustalıkla tasarlanmış yenilikçi bir açık kaynaklı 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 güçlü model yönetimi yer alır.

ClearML ile YOLO26 Eğitimi

YOLO26'yı ClearML ile entegre ederek eğitim sürecini iyileştirebilir, makine öğrenimi iş akışına otomasyon ve verimlilik getirebilirsin.

Kurulum

Gerekli paketleri yüklemek 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 kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza bak.

ClearML'i Yapılandırma

Gerekli paketleri yükledikten 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 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" (Ayarlar) seçeneğini seç. "Workspace" (Çalışma Alanı) bölümüne git ve "Create new credentials" (Yeni kimlik bilgileri oluştur) seçeneğine tıkla. ClearML'i bir Jupyter Notebook'ta mı yoksa yerel bir Python ortamında mı yapılandırdığına bağlı olarak, kurulumu talimatlara uygun şekilde tamamlamak için "Create Credentials" (Kimlik Bilgileri Oluştur) açılır penceresinde verilen kimlik bilgilerini kullan.

Kullanım

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olacaktır.

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)

Kodu Anlama

Yukarıdaki kullanım kod parçacığında sergilenen adımları anlayalım.

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

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

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

Adım 4: Eğitim Argümanlarını Ayarlama: Veri kümesi (coco8.yaml) ve dönem sayısı (16) gibi önemli eğitim argümanları bir sözlükte düzenlenir ve ClearML görevine bağlanır. Bu, ClearML arayüzü aracılığıyla izlemeye ve potansiyel değişiklik yapmaya olanak tanır. Model eğitimi süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi kılavuzumuza başvur.

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

Çıktıyı Anlama

Yukarıdaki kullanım kod parçacığını çalıştırdıktan sonra aşağıdaki çıktıyı bekleyebilirsin:

• Benzersiz kimliğiyle birlikte yeni bir ClearML görevinin oluşturulduğunu belirten bir onay mesajı.
• Kod yürütmenin ClearML tarafından izlendiğini belirten, saklanan betik kodu hakkında bilgilendirici bir mesaj.
• Eğitim ilerlemesini izleyebileceğin ve ayrıntılı günlükleri görüntüleyebileceğin ClearML sonuçları sayfasına bir URL bağlantısı.
• YOLO26 modeli ve belirtilen veri kümesi için indirme ilerlemesi, ardından model mimarisinin ve eğitim yapılandırmasının bir özeti.
• TensorBoard, Otomatik Karma Hassasiyet (AMP) ve veri kümesi hazırlığı gibi çeşitli eğitim bileşenleri için başlatma mesajları.
• Son olarak, eğitim süreci başlar ve model belirtilen veri kümesi üzerinde eğitilirken ilerleme güncellemeleri alınır. Eğitim sırasında kullanılan performans metrikleri hakkında derinlemesine bilgi için performans metrikleri kılavuzumuzu oku.

ClearML Sonuçları Sayfasını Görüntüleme

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

ClearML Sonuçları Sayfasının Temel Özellikleri

• Gerçek Zamanlı Metrik İzleme

  • Kayıp, doğruluk ve doğrulama puanları gibi kritik metrikleri gerçekleştikleri anda takip et.
  • Zamanında model performansı ayarlamaları için anında geri bildirim sağlar.

• Deney Karşılaştırma

  • Farklı eğitim çalışmalarını yan yana karşılaştır.
  • Hiperparametre ayarlama ve en etkili modelleri belirlemek için gereklidir.

• Ayrıntılı Günlükler ve Çıktılar

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

• Kaynak Kullanımı İzleme

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

• Model Yapay Nesne Yönetimi

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

ClearML Sonuçları Sayfasının neye benzediğine dair görsel bir anlatım için aşağıdaki videoyu izle:

ClearML'deki Gelişmiş Özellikler

ClearML, MLOps deneyimini geliştirmek için çeşitli gelişmiş özellikler sunar.

Uzaktan 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 kuyruğa 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 VM'leri, 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 kaynakları kaynak bütçene göre ayarlar.

Klonlama, Düzenleme ve Kuyruğa Alma

ClearML'in kullanıcı dostu arayüzü, görevlerin kolayca klonlanmasına, düzenlenmesine ve kuyruğa alınmasına olanak tanır. Kullanıcılar mevcut bir deneyi klonlayabilir, arayüz aracılığıyla parametreleri veya diğer ayrıntıları ayarlayabilir ve görevi yürütme için kuyruğa alabilir. Bu düzenli süreç, görevi yürüten ClearML Agent'ın güncellenmiş yapılandırmaları kullanmasını sağlayarak onu yinelemeli deneyler ve model ince ayarı için ideal hale getirir.

Veri Kümesi Sürüm Yönetimi

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

• Veri kümelerini kodundan ayrı olarak sürümlendirme
• Her deney için hangi veri kümesi sürümünün kullanıldığını izleme
• En son veri kümesi sürümüne kolayca erişme ve indirme

Veri kümeni ClearML için hazırlamak için şu adımları izle:

1. Veri kümeni standart YOLO yapısıyla (görüntüler, etiketler vb.) düzenle

2. İlgili YAML dosyasını veri kümesi klasörünün kök dizinine kopyala

3. Veri kümeni ClearML Veri aracını kullanarak yükle:

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

Bu komut, ClearML'de eğitim betiklerinde referans verilebilecek sürümlü bir veri kümesi oluşturacak ve verilerine kolay erişim ve tekrarlanabilirlik sağlayacaktır.

Özet

Bu kılavuz seni ClearML'i Ultralytics'in YOLO26'sı ile entegre etme sürecinde yönlendirdi. İlk kurulumdan gelişmiş model yönetimine kadar her şeyi kapsayarak, makine öğrenimi projelerinde verimli eğitim, deney takibi ve iş akışı optimizasyonu için ClearML'den nasıl yararlanacağını keşfettin.

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

Ayrıca, kaynaklar ve içgörülerle dolu bir hazine olan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfet.

SSS

Ultralytics YOLO26'yı ClearML ile entegre etme süreci nedir?

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

pip install ultralytics clearml

Ardından, ortamında ClearML SDK'sını şununla başlat:

clearml-init

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

Makine öğrenimi projelerim için neden Ultralytics YOLO26 ile ClearML kullanmalıyım?

Ultralytics YOLO26 ile ClearML kullanmak, deney takibini otomatikleştirerek, iş akışlarını kolaylaştırarak ve güçlü model yönetimi sağlayarak makine öğrenimi projelerini geliştirir. ClearML, gerçek zamanlı metrik izleme, kaynak kullanımı 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. Avantajlar ve prosedürler hakkında daha fazla bilgiyi MLOps Entegrasyon kılavuzumuzda bulabilirsin.

YOLO26 ve ClearML entegrasyonu sırasındaki yaygın sorunları nasıl gideririm?

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

YOLO26 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 kılavuzumuza bak.

YOLO26 eğitimimin sonuçlarını ClearML'de nerede görüntüleyebilirim?

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