Başla

ClearML ile YOLO26 Eğitimi: MLOps İş Akışını Kolaylaştırma

MLOps, gerçek dünya koşullarında makine öğrenimi modelleri oluşturma ve dağıtma arasındaki boşluğu kapatır. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtım, ölçeklenebilirlik ve sürekli yönetime odaklanır.

Ultralytics YOLO26, nesne algılama modellerinin eğitimini izlemek ve yönetmek için ClearML ile entegre olur. Bu kılavuzda ClearML'yi kurma, deneyleri yönetme, model yönetimini otomatikleştirme ve etkili biçimde iş birliği yapma adımlarıyla entegrasyon sürecini anlatacağız.

ClearML#

ClearML MLOps platform dashboard

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için tasarlanmış açık kaynaklı bir MLOps platformudur. Başlıca özellikleri arasında deneylerin tekrarlanabilirliği için eğitim ve çıkarım verilerinin otomatik kaydı, veri görselleştirme ve analiz için bir web arayüzü, hiperparametre optimizasyon algoritmaları ve platformlar arası dağıtım için model yönetimi bulunur.

ClearML ile YOLO26 Eğitimi#

YOLO26'yı ClearML ile entegre etmek, deney günlüklerini otomatikleştirir ve eğitim çalışmalarını yeniden üretip karşılaştırmayı kolaylaştırır.

Kurulum#

Gerekli paketleri yüklemek için şunu çalıştır:

Kurulum
# 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 kurman ve geliştirme ortamını ClearML sunucusuna bağlayan kimlik bilgilerini edinmen gerekir.

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

İlk SDK Kurulumu
# 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
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.
  • Otomatik Karma Hassasiyet (AMP) ve veri kümesi hazırlama 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:



İzle: ClearML kullanarak YOLO26 MLOps entegrasyonu

ClearML'deki Gelişmiş Özellikler#

ClearML, MLOps deneyimini geliştirmek için çeşitli gelişmiş özellikler sunar.

Uzaktan Yürütme#

ClearML'nin uzaktan çalıştırma özelliği, deneyleri farklı makinelerde yeniden üretmeyi ve değiştirmeyi kolaylaştırır. Yüklü paketler ve kaydedilmemiş değişiklikler gibi önemli ayrıntıları günlüğe kaydeder. Bir görev kuyruğa alındığında ClearML Agent görevi alır, ortamı yeniden oluşturur ve deneyi çalıştırır; ardından ayrıntılı sonuçları 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 kullanımı kolay arayüzü, görevleri kopyalamayı, düzenlemeyi ve kuyruğa almayı kolaylaştırır. Kullanıcılar mevcut bir deneyi kopyalayabilir, arayüz üzerinden parametreleri veya diğer ayrıntıları değiştirebilir ve görevi çalıştırılmak üzere kuyruğa alabilir. Bu kolaylaştırılmış süreç, görevi çalıştıran ClearML Agent'ın güncel yapılandırmaları kullanmasını sağlar ve yinelemeli deneyler ile model ince ayarı için idealdir.


Veri Kümesi Sürüm Yönetimi#

ClearML ayrıca YOLO26 eğitim iş akışlarıyla çalışan veri kümesi sürüm yönetimi 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 kılavuzda ClearML'yi Ultralytics YOLO26 ile entegre etme sürecini ele aldık. İlk kurulumdan gelişmiş model yönetimine kadar her konuyu kapsayarak makine öğrenimi projelerinde verimli eğitim, deney takibi ve iş akışı optimizasyonu için ClearML'yi nasıl kullanacağını gösterdik.

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

Sık Sorulan Sorular#

  • Ultralytics YOLO26'yı ClearML ile bütünleştirmek, MLOps iş akışını kolaylaştırmak için bir dizi adım içerir. Öncelikle gerekli paketleri yükle:

    pip install ultralytics clearml

    Ardından, aşağıdaki komutu kullanarak ClearML SDK'yı ortamında başlat:

    clearml-init

    Daha sonra ClearML'yi, ClearML Ayarları sayfasındaki kimlik bilgilerinle yapılandır. Model seçimi ve eğitim yapılandırmaları da dahil olmak üzere tüm kurulum sürecine ilişkin ayrıntılı talimatları YOLO26 Model Eğitimi kılavuzumuzda bulabilirsin.

  • ClearML'yi Ultralytics YOLO26 ile kullanmak; deney takibini otomatikleştirerek, iş akışlarını kolaylaştırarak ve güçlü model yönetimi sağlayarak makine öğrenimi projelerini geliştirir. ClearML gerçek zamanlı metrik takibi, kaynak kullanımını izleme ve deneyleri karşılaştırmaya yönelik kullanıcı dostu bir arayüz sunar. Bu özellikler modelinin performansını en iyi hâle getirmene ve geliştirme sürecini daha verimli kılmana yardımcı olur. Avantajlar ve süreçler hakkında daha fazla bilgi için YOLO26 Model Eğitimi kılavuzumuza göz at.

  • YOLO26'yı ClearML ile bütünleştirirken sorun yaşarsan çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur. Karşılaşabileceğin tipik sorunlar arasında paket yükleme hataları, kimlik bilgisi kurulumu veya yapılandırma sorunları bulunur. Bu kılavuz, yaygın sorunları verimli şekilde çözmek için adım adım sorun giderme talimatları sunar.

  • clearml-init işleminden sonra eğitimi normal şekilde başlat. Geri çağırım, ClearML görevini oluşturur ve eğitim argümanlarını otomatik olarak bağlar:

    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco8.yaml", epochs=16, project="my_project", name="my_yolo26_task")

    YOLO project ve name argümanları, ClearML proje ve görev adlarına dönüşür. Ayrıntılar için Kullanım kılavuzuna bak.

  • YOLO26 eğitim betiğini ClearML ile çalıştırdıktan sonra sonuçları ClearML sonuçlar sayfasında görebilirsin. Çıktıda, metrikleri takip edebileceğin, deneyleri karşılaştırabileceğin ve kaynak kullanımını izleyebileceğin ClearML kontrol paneline yönlendiren bir URL bulunur. Sonuçları görüntüleme ve yorumlama hakkında daha fazla bilgi için ClearML Sonuçlar Sayfasını Görüntüleme bölümümüze göz at.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.