Huấn luyện YOLO26 với ClearML: Tối ưu hóa quy trình MLOps của bạn

MLOps thu hẹp khoảng cách giữa việc tạo và triển khai các mô hình machine learning trong môi trường thực tế. Nó tập trung vào triển khai hiệu quả, khả năng mở rộng và quản lý liên tục để đảm bảo các mô hình hoạt động tốt trong các ứng dụng thực tiễn.

Ultralytics YOLO26 tích hợp dễ dàng với ClearML, giúp tinh giản và nâng cao quy trình huấn luyện và quản lý mô hình object detection của bạn. Hướng dẫn này sẽ đưa bạn qua quy trình tích hợp, trình bày chi tiết cách thiết lập ClearML, quản lý thí nghiệm, tự động hóa quản lý mô hình và cộng tác hiệu quả.

ClearML

ClearML là một nền tảng MLOps mã nguồn mở cải tiến được thiết kế chuyên biệt để tự động hóa, giám sát và điều phối các quy trình machine learning. Các tính năng chính bao gồm ghi nhật ký tự động tất cả dữ liệu huấn luyện và suy luận để tái lập thí nghiệm hoàn toàn, giao diện web trực quan giúp data visualization và phân tích dễ dàng, các optimization algorithms siêu tham số nâng cao và quản lý mô hình mạnh mẽ để triển khai hiệu quả trên nhiều nền tảng khác nhau.

Huấn luyện YOLO26 với ClearML

Bạn có thể mang tính tự động hóa và hiệu quả vào quy trình machine learning của mình bằng cách tích hợp YOLO26 với ClearML để cải thiện quy trình huấn luyện.

Cài đặt

Để cài đặt các gói cần thiết, hãy chạy:

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

Để biết hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy đảm bảo xem Hướng dẫn cài đặt YOLO26 của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO26, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Hướng dẫn các vấn đề thường gặp để tìm giải pháp và mẹo.

Đang cấu hình ClearML

Sau khi cài đặt các gói cần thiết, bước tiếp theo là khởi tạo và cấu hình ClearML SDK. Việc này bao gồm thiết lập tài khoản ClearML và lấy thông tin xác thực cần thiết để kết nối thông suốt giữa môi trường phát triển của bạn và máy chủ ClearML.

Bắt đầu bằng việc khởi tạo ClearML SDK trong môi trường của bạn. Lệnh clearml-init khởi động quá trình thiết lập và nhắc bạn nhập các thông tin xác thực cần thiết.

# Initialize your ClearML SDK setup process
clearml-init

Sau khi thực hiện lệnh này, hãy truy cập trang Cài đặt ClearML. Điều hướng đến góc trên cùng bên phải và chọn "Settings". Chuyển đến phần "Workspace" và nhấp vào "Create new credentials". Sử dụng thông tin xác thực được cung cấp trong cửa sổ bật lên "Create Credentials" để hoàn tất thiết lập theo hướng dẫn, tùy thuộc vào việc bạn đang cấu hình ClearML trong Jupyter Notebook hay môi trường Python cục bộ.

Cách sử dụng

Trước khi đi sâu vào hướng dẫn sử dụng, hãy nhớ xem qua loạt mô hình YOLO26 được Ultralytics cung cấp. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho các yêu cầu dự án của mình.

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)

Hiểu về mã nguồn

Hãy cùng tìm hiểu các bước được trình bày trong đoạn mã sử dụng phía trên.

Bước 1: Tạo ClearML Task: Một task mới được khởi tạo trong ClearML, chỉ định tên dự án và tên task của bạn. Task này sẽ theo dõi và quản lý việc huấn luyện mô hình của bạn.

Bước 2: Chọn mô hình YOLO26: Biến model_variant được đặt thành 'yolo26n', một trong các mô hình YOLO26. Biến thể này sau đó được ghi lại trong ClearML để theo dõi.

Bước 3: Tải mô hình YOLO26: Mô hình YOLO26 đã chọn được tải bằng cách sử dụng lớp YOLO của Ultralytics, chuẩn bị cho quá trình huấn luyện.

Bước 4: Thiết lập các tham số huấn luyện: Các tham số huấn luyện quan trọng như tập dữ liệu (coco8.yaml) và số lượng epochs (16) được tổ chức trong một dictionary và kết nối với ClearML task. Điều này cho phép theo dõi và sửa đổi tiềm năng thông qua giao diện người dùng ClearML. Để hiểu chi tiết về quy trình huấn luyện mô hình và các phương pháp tốt nhất, hãy tham khảo Hướng dẫn huấn luyện mô hình YOLO26.

Bước 5: Khởi tạo huấn luyện mô hình: Quá trình huấn luyện mô hình được bắt đầu với các tham số đã chỉ định. Kết quả của quy trình huấn luyện được ghi lại trong biến results.

Hiểu về đầu ra

Sau khi chạy đoạn mã sử dụng phía trên, bạn có thể nhận được đầu ra sau đây:

• Một thông báo xác nhận cho thấy việc tạo ClearML task mới, cùng với ID duy nhất của nó.
• Một thông báo thông tin về việc mã script đang được lưu trữ, cho biết rằng việc thực thi mã đang được ClearML theo dõi.
• Một liên kết URL đến trang kết quả ClearML, nơi bạn có thể giám sát tiến trình huấn luyện và xem nhật ký chi tiết.
• Tiến trình tải xuống cho mô hình YOLO26 và tập dữ liệu đã chỉ định, theo sau là bản tóm tắt về kiến trúc mô hình và cấu hình huấn luyện.
• Các thông báo khởi tạo cho các thành phần huấn luyện khác nhau như TensorBoard, Automatic Mixed Precision (AMP) và chuẩn bị tập dữ liệu.
• Cuối cùng, quá trình huấn luyện bắt đầu, với các cập nhật tiến độ khi mô hình được huấn luyện trên tập dữ liệu đã chỉ định. Để hiểu sâu hơn về các chỉ số hiệu suất được sử dụng trong quá trình huấn luyện, hãy đọc hướng dẫn của chúng tôi về các chỉ số hiệu suất.

Xem trang kết quả ClearML

Bằng cách nhấp vào liên kết URL đến trang kết quả ClearML trong đầu ra của đoạn mã sử dụng, bạn có thể truy cập cái nhìn toàn diện về quy trình huấn luyện mô hình của mình.

Các tính năng chính của trang kết quả ClearML

• Theo dõi chỉ số theo thời gian thực

  • Theo dõi các chỉ số quan trọng như loss, accuracy và điểm xác thực khi chúng xảy ra.
  • Cung cấp phản hồi ngay lập tức để điều chỉnh hiệu suất mô hình kịp thời.

• So sánh thí nghiệm

  • So sánh các lần chạy huấn luyện khác nhau song song.
  • Cần thiết cho hyperparameter tuning và xác định các mô hình hiệu quả nhất.

• Nhật ký và đầu ra chi tiết

  • Truy cập nhật ký toàn diện, biểu diễn đồ họa của các chỉ số và đầu ra bảng điều khiển.
  • Đạt được sự hiểu biết sâu sắc hơn về hành vi của mô hình và giải quyết vấn đề.

• Giám sát việc sử dụng tài nguyên

  • Giám sát việc sử dụng các tài nguyên tính toán, bao gồm CPU, GPU và bộ nhớ.
  • Chìa khóa để tối ưu hóa hiệu quả và chi phí huấn luyện.

• Quản lý tài nguyên mô hình

  • Xem, tải xuống và chia sẻ các tài nguyên mô hình như các mô hình đã huấn luyện và các điểm kiểm tra (checkpoints).
  • Tăng cường sự cộng tác và tinh giản quy trình model deployment và chia sẻ.

Để xem hướng dẫn trực quan về giao diện của trang kết quả ClearML, hãy xem video dưới đây:

Các tính năng nâng cao trong ClearML

ClearML cung cấp một số tính năng nâng cao để nâng cao trải nghiệm MLOps của bạn.

Thực thi từ xa

Tính năng thực thi từ xa của ClearML tạo điều kiện cho việc tái lập và thao tác các thí nghiệm trên các máy khác nhau. Nó ghi lại các chi tiết cần thiết như các gói đã cài đặt và các thay đổi chưa được cam kết. Khi một task được xếp hàng, ClearML Agent sẽ lấy nó, tạo lại môi trường và chạy thí nghiệm, báo cáo lại với các kết quả chi tiết.

Việc triển khai ClearML Agent rất đơn giản và có thể được thực hiện trên nhiều máy khác nhau bằng cách sử dụng lệnh sau:

clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]

Thiết lập này áp dụng cho máy ảo đám mây, GPU cục bộ hoặc máy tính xách tay. ClearML Autoscalers giúp quản lý khối lượng công việc trên đám mây trên các nền tảng như AWS, GCP và Azure, tự động hóa việc triển khai các agent và điều chỉnh tài nguyên dựa trên ngân sách tài nguyên của bạn.

Sao chép, chỉnh sửa và xếp hàng

Giao diện thân thiện của ClearML cho phép sao chép, chỉnh sửa và xếp hàng các task một cách dễ dàng. Người dùng có thể sao chép một thí nghiệm hiện có, điều chỉnh các tham số hoặc các chi tiết khác thông qua giao diện người dùng và xếp hàng task để thực thi. Quy trình tinh giản này đảm bảo rằng ClearML Agent thực thi task sử dụng các cấu hình đã cập nhật, lý tưởng cho việc thử nghiệm lặp đi lặp lại và tinh chỉnh mô hình.

Quản lý phiên bản tập dữ liệu

ClearML cũng cung cấp các khả năng dataset version management mạnh mẽ tích hợp liền mạch với các quy trình huấn luyện YOLO26. Tính năng này cho phép bạn:

• Đánh phiên bản các tập dữ liệu của bạn tách biệt với mã nguồn
• Theo dõi phiên bản tập dữ liệu nào đã được sử dụng cho mỗi thí nghiệm
• Dễ dàng truy cập và tải xuống phiên bản tập dữ liệu mới nhất

Để chuẩn bị tập dữ liệu của bạn cho ClearML, hãy làm theo các bước sau:

1. Sắp xếp tập dữ liệu của bạn với cấu trúc YOLO tiêu chuẩn (hình ảnh, nhãn, v.v.)

2. Sao chép tệp YAML tương ứng vào thư mục gốc của tập dữ liệu của bạn

3. Tải lên tập dữ liệu của bạn bằng công cụ ClearML Data:

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

Lệnh này sẽ tạo ra một tập dữ liệu có phiên bản trong ClearML có thể được tham chiếu trong các tập lệnh huấn luyện của bạn, đảm bảo khả năng tái lập và truy cập dễ dàng vào dữ liệu của bạn.

Tóm tắt

Hướng dẫn này đã đưa bạn qua quy trình tích hợp ClearML với YOLO26 của Ultralytics. Bao gồm mọi thứ từ thiết lập ban đầu đến quản lý mô hình nâng cao, bạn đã khám phá cách tận dụng ClearML để huấn luyện hiệu quả, theo dõi thí nghiệm và tối ưu hóa quy trình làm việc trong các dự án machine learning của mình.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập hướng dẫn tích hợp YOLOv8 chính thức của ClearML, cũng áp dụng cho các quy trình YOLO26.

Ngoài ra, hãy khám phá thêm các tích hợp và khả năng của Ultralytics bằng cách truy cập trang hướng dẫn tích hợp Ultralytics, đây là kho tài nguyên và thông tin chi tiết quý giá.

Câu hỏi thường gặp (FAQ)

Quy trình tích hợp Ultralytics YOLO26 với ClearML như thế nào?

Việc tích hợp Ultralytics YOLO26 với ClearML bao gồm một loạt các bước để tinh giản quy trình MLOps của bạn. Đầu tiên, hãy cài đặt các gói cần thiết:

pip install ultralytics clearml

Tiếp theo, khởi tạo ClearML SDK trong môi trường của bạn bằng cách sử dụng:

clearml-init

Sau đó, bạn cấu hình ClearML với thông tin xác thực từ trang Cài đặt ClearML. Hướng dẫn chi tiết về toàn bộ quy trình thiết lập, bao gồm lựa chọn mô hình và cấu hình huấn luyện, có thể được tìm thấy trong Hướng dẫn huấn luyện mô hình YOLO26.

Tại sao tôi nên sử dụng ClearML với Ultralytics YOLO26 cho các dự án machine learning của mình?

Sử dụng ClearML với Ultralytics YOLO26 nâng cao các dự án machine learning của bạn bằng cách tự động hóa việc theo dõi thí nghiệm, tinh giản quy trình làm việc và cho phép quản lý mô hình mạnh mẽ. ClearML cung cấp tính năng theo dõi chỉ số theo thời gian thực, giám sát sử dụng tài nguyên và giao diện thân thiện để so sánh các thí nghiệm. Các tính năng này giúp tối ưu hóa hiệu suất mô hình của bạn và làm cho quá trình phát triển hiệu quả hơn. Tìm hiểu thêm về các lợi ích và quy trình trong Hướng dẫn tích hợp MLOps của chúng tôi.

Làm cách nào để khắc phục các sự cố thường gặp trong quá trình tích hợp YOLO26 và ClearML?

Nếu bạn gặp sự cố trong quá trình tích hợp YOLO26 với ClearML, hãy tham khảo Hướng dẫn các vấn đề thường gặp để tìm giải pháp và mẹo. Các vấn đề điển hình có thể liên quan đến lỗi cài đặt gói, thiết lập thông tin xác thực hoặc các vấn đề cấu hình. Hướng dẫn này cung cấp các bước khắc phục sự cố chi tiết để giải quyết các vấn đề thường gặp này một cách hiệu quả.

Làm cách nào để thiết lập ClearML task cho việc huấn luyện mô hình YOLO26?

Việc thiết lập ClearML task cho việc huấn luyện YOLO26 bao gồm khởi tạo một task, chọn biến thể mô hình, tải mô hình, thiết lập các tham số huấn luyện và cuối cùng là bắt đầu huấn luyện mô hình. Dưới đây là một ví dụ đơn giản hóa:

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)

Tham khảo Hướng dẫn sử dụng của chúng tôi để biết chi tiết về các bước này.

Tôi có thể xem kết quả huấn luyện YOLO26 của mình trong ClearML ở đâu?

Sau khi chạy tập lệnh huấn luyện YOLO26 của bạn với ClearML, bạn có thể xem kết quả trên trang kết quả ClearML. Đầu ra sẽ bao gồm một liên kết URL đến bảng điều khiển ClearML, nơi bạn có thể theo dõi các chỉ số, so sánh các thí nghiệm và giám sát việc sử dụng tài nguyên. Để biết thêm chi tiết về cách xem và giải thích kết quả, hãy xem phần của chúng tôi về Xem trang kết quả ClearML.