YOLO26'yı ClearML ile Eğitmek: MLOps İş Akışınızı Kolaylaştırma#

MLOps, gerçek dünya ortamlarında machine learning modellerinin oluşturulması ile dağıtılması arasındaki boşluğu kapatır. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtıma, ölçeklenebilirliğe ve sürekli yönetime odaklanır.

Ultralytics YOLO26, ClearML ile sorunsuz bir şekilde bütünleşerek object detection modelinizin 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 ayrıntılı olarak açıklayarak entegrasyon sürecinde size rehberlik edecektir.

ClearML#

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için ustalıkla tasarlanmış yenilikçi, açık kaynaklı bir MLOps platformudur. Temel özellikleri arasında tam deney yeniden üretilebilirliği için tüm eğitim ve çıkarım verilerinin otomatik olarak günlüğe kaydedilmesi, data visualization ve analiz için sezgisel bir web arayüzü, gelişmiş hiperparametre optimization algorithms ve çeşitli platformlarda verimli dağıtım için güçlü model yönetimi yer alır.

ClearML ile YOLO26 Eğitimi#

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

Kurulum#

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 Installation guide sayfamıza göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Common Issues guide kılavuzumuza bak.

ClearML'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.

Ortamınızda ClearML SDK'yı başlatarak başlayın. clearml-init komutu kurulum sürecini başlatır ve sizden gerekli kimlik bilgilerini ister.

# Initialize your ClearML SDK setup process
clearml-init

Bu komutu çalıştırdıktan sonra ClearML Settings page sayfasını ziyaret edin. Sağ üst köşeye gidin ve "Settings" seçeneğini seçin. "Workspace" bölümüne gidin ve "Create new credentials" üzerine tıklayın. ClearML'i bir Jupyter Notebook veya yerel bir Python ortamında yapılandırmanıza bağlı olarak, talimat verildiği gibi kurulumu tamamlamak için "Create Credentials" açılır penceresinde sağlanan kimlik bilgilerini kullanın.

Kullanım#

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinden emin ol. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olacaktır.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

Kodu Anlamak#

ClearML kurulup yapılandırıldıktan sonra, geri çağrısı varsayılan olarak etkinleştirilir. Eğitim başladığında bir görev oluşturur; ClearML proje ve görev adları için YOLO project ve name argümanlarını kullanır ve eğitim argümanlarını otomatik olarak bağlar. Entegrasyonu devre dışı bırakmak için yolo settings clearml=False komutunu çalıştır. Eğitim seçenekleri ve en iyi uygulamalar için YOLO26 Model Training guide sayfasına bak.

Çıktıyı 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 Mixed Precision (AMP) ve veri kümesi hazırlama gibi çeşitli eğitim bileşenleri için başlatma mesajları.
• Son olarak, model belirtilen veri kümesi üzerinde eğitildikçe ilerleme güncellemeleriyle birlikte eğitim süreci başlar. Eğitim sırasında kullanılan performans metrikleri hakkında derinlemesine bir anlayış için our guide on performance metrics kılavuzumuzu okuyun.

ClearML Sonuçlar Sayfasını Görüntüleme#

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

ClearML Sonuçlar Sayfasının Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi

  • Kayıp (loss), accuracy ve doğrulama skorları gibi kritik metrikleri gerçekleştikleri anda takip edin.
  • Model performans ayarlamalarının zamanında yapılması için anında geri bildirim sağlar.

• Deney Karşılaştırma

  • Farklı eğitim çalışmalarını yan yana karşılaştır.
  • hyperparameter tuning ve en etkili modellerin tanımlanması 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 deployment ile paylaşımı kolaylaştırır.

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

ClearML'deki Gelişmiş Özellikler#

ClearML, MLOps deneyimini geliştirmek için birçok gelişmiş özellik sunar.

Uzaktan Yürütme#

ClearML'in uzaktan yürütme özelliği, deneylerin farklı makinelerde yeniden üretilmesini ve manipüle edilmesini kolaylaştırır. Yüklü paketler ve taahhüt edilmemiş değişiklikler gibi temel ayrıntıları günlüğe kaydeder. Bir görev kuyruğa alındığında, ClearML Agent bunu alır, ortamı yeniden oluşturur ve deneyi çalıştırarak ayrıntılı sonuçlarla birlikte 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 platformlardaki bulut iş yüklerini yönetmeye yardımcı olarak ajanların dağıtımını otomatikleştirir ve kaynak bütçenize göre kaynakları ayarlar.

Klonlama, 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.

Veri Seti Sürüm Yönetimi#

ClearML ayrıca YOLO26 eğitim iş akışlarıyla sorunsuz bir şekilde bütünleşen güçlü dataset version management yetenekleri sunar. Bu özellik şunları yapmanızı 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.

Özet#

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's official YOLOv8 integration guide kılavuzunu ziyaret edin.

Ek olarak, bir kaynak ve içgörü hazinesi olan Ultralytics integration guide page sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfedin.

SSS#