ClearML ile YOLO26 Eğitimi: MLOps İş Akışını Kolaylaştırma#

MLOps, gerçek dünya ortamlarında makine öğrenimi modellerinin oluşturulması ve dağıtılması arasındaki boşluğu kapatır. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtım, ölçeklenebilirlik ve sürekli yönetime odaklanır.

Ultralytics YOLO26, ClearML ile sorunsuz bir şekilde entegre olarak nesne algılama modelinin eğitimini ve yönetimini kolaylaştırır ve geliştirir. Bu kılavuzda entegrasyon sürecinde sana yol gösterecek; ClearML'yi nasıl kuracağını, deneyleri nasıl yöneteceğini, model yönetimini nasıl otomatikleştireceğini ve etkili bir şekilde nasıl iş birliği yapacağını ayrıntılı olarak açıklayacağız.

ClearML#

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

ClearML ile YOLO26 Eğitimi#

Eğitim sürecini iyileştirmek için YOLO26'yı ClearML ile entegre ederek 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 süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Yükleme kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

ClearML'yi Yapılandırma#

Gerekli paketleri yükledikten sonra sıradaki adım ClearML SDK'nı başlatmak ve yapılandırmaktır. Bu işlem, ClearML hesabını kurmanı ve geliştirme ortamın ile ClearML sunucusu arasında sorunsuz bir bağlantı için gerekli kimlik bilgilerini edinmeni gerektirir.

Ortamında ClearML SDK'yı başlatarak işe 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 Ayarları sayfasını ziyaret et. Sağ üst köşeye git ve "Settings" seçeneğini belirle. "Workspace" bölümüne git ve "Create new credentials" seçeneğine tıkla. ClearML'yi bir Jupyter Notebook'ta mı yoksa yerel bir Python ortamında mı yapılandırdığına bağlı olarak, kurulumu talimatlara göre tamamlamak için "Create Credentials" açılır penceresinde verilen kimlik bilgilerini kullan.

Kullanım#

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

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 Anlama#

ClearML yüklendikten ve yapılandırıldıktan sonra geri çağrısı varsayılan olarak etkinleştirilir. Eğitim başladığında bir görev oluşturur, ClearML projesi ve görev adları için YOLO project ve name bağımsız değişkenlerini kullanır ve eğitim bağımsız değişkenlerini otomatik olarak bağlar. Entegrasyonu devre dışı bırakmak için yolo settings clearml=False komutunu çalıştır. Eğitim seçenekleri ve en iyi uygulamalar için YOLO26 Model Eğitimi kılavuzuna bak.

Çıktıyı Anlama#

Yukarıdaki kullanım kodu parçacığını çalıştırdığında aşağıdaki çıktıyı görmeyi bekleyebilirsin:

• Benzersiz kimliğiyle birlikte yeni bir ClearML görevinin oluşturulduğunu belirten bir onay mesajı.
• Betik kodunun depolandığını ve kod yürütmenin ClearML tarafından izlendiğini belirten bilgilendirici bir mesaj.
• Eğitim ilerlemesini izleyebileceğin ve ayrıntılı günlükleri görüntüleyebileceğin ClearML sonuçlar sayfasına bir URL bağlantısı.
• YOLO26 modeli ve belirtilen veri kümesi için indirme ilerlemesi; ardından model mimarisinin ve eğitim yapılandırmasının özeti.
• TensorBoard, Otomatik Karışık Hassasiyet (AMP) ve veri kümesi hazırlama gibi çeşitli eğitim bileşenlerine ilişkin başlatma mesajları.
• Son olarak eğitim süreci başlar ve model belirtilen veri kümesi üzerinde eğitilirken ilerleme güncellemeleri görüntülenir. Eğitim sırasında kullanılan performans metriklerini derinlemesine anlamak için performans metrikleri hakkındaki kılavuzumuzu oku.

ClearML Sonuçlar Sayfasını Görüntüleme#

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

ClearML Sonuçlar Sayfasının Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi

  • Kayıp, doğruluk ve doğrulama skorları gibi kritik metrikleri oluştukları anda takip et.
  • Model performansını zamanında ayarlayabilmen için anında geri bildirim sağlar.

• Deney Karşılaştırması

  • Farklı eğitim çalıştırmalarını yan yana karşılaştır.
  • Hiperparametre ayarlama ve en etkili modelleri belirleme için kritik öneme sahiptir.

• Ayrıntılı Günlükler ve Çıktılar

  • Kapsamlı günlükler, metriklerin grafik gösterimleri ve konsol çıktılarına eriş.
  • Model davranışını ve sorunların çözümünü daha iyi anlamanı sağlar.

• Kaynak Kullanımını İzleme

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

• Model Yapıtlarını Yönetme

  • 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 görsel olarak incelemek 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. Yüklü paketler ve kaydedilmemiş değişiklikler gibi temel ayrıntıları günlüğe kaydeder. Bir görev kuyruğa alındığında ClearML Agent görevi alır, ortamı yeniden oluşturur, deneyi çalıştırır ve ayrıntılı sonuçları geri bildirir.

ClearML Agent'ı dağıtmak kolaydır ve aşağıdaki komut kullanılarak çeşitli makinelerde gerçekleştirilebilir:

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 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 görevlerin kolayca klonlanmasına, düzenlenmesine ve kuyruğa alınmasına olanak tanır. Kullanıcılar mevcut bir deneyi klonlayabilir, kullanıcı arayüzü üzerinden parametreleri veya diğer ayrıntıları ayarlayabilir ve görevi yürütülmek üzere kuyruğa alabilir. Bu kolaylaştırılmış süreç, görevi yürüten ClearML Agent'ın güncellenmiş yapılandırmaları kullanmasını sağlayarak yinelemeli deneyler ve model ince ayarı için ideal bir ortam sunar.

Veri Kümesi Sürüm Yönetimi#

ClearML ayrıca YOLO26 eğitim iş akışlarıyla sorunsuz bir şekilde entegre olan güçlü veri kümesi sürüm yönetimi özellikleri sunar. Bu özellik şunları yapmana olanak tanır:

• Veri kümelerini kodundan bağımsız olarak sürümlendir
• Her deneyde hangi veri kümesi sürümünün kullanıldığını takip et
• En güncel veri kümesi sürümüne kolayca eriş ve onu indir

Veri kümeni ClearML için hazırlamak üzere şu adımları izle:

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

2. İlgili YAML dosyasını veri kümesi klasörünün kök dizinine kopyala

3. ClearML Data aracını kullanarak veri kümeni yükle:

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

Bu komut, ClearML'de eğitim betiklerinde başvurulabilecek sürümlendirilmiş bir veri kümesi oluşturur; böylece verilerinin tekrarlanabilirliği ve kolay erişimi sağlanır.

Özet#

Bu kılavuzda ClearML'yi Ultralytics'in YOLO26'sı ile entegre etme sürecinde sana yol gösterdik. İlk kurulumdan gelişmiş model yönetimine kadar her şeyi kapsayarak ClearML'den makine öğrenimi projelerinde verimli eğitim, deney takibi ve iş akışı optimizasyonu için nasıl yararlanabileceğini öğrendin.

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

Ayrıca, kaynak ve içgörü hazinesi olan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve özelliğini keşfet.

SSS#