Link to this sectionHuấn 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 đơn giản hóa và cải thiện quá trình huấn luyện và quản lý mô hình object detection của bạn. Hướng dẫn này sẽ đưa bạn đi qua quy trình tích hợp, mô tả chi tiết cách thiết lập ClearML, quản lý các thực nghiệm, tự động hóa quản lý mô hình và cộng tác hiệu quả.

Link to this sectionClearML#

ClearML là một nền tảng MLOps mã nguồn mở cải tiến được thiết kế chuyên nghiệp 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 thực nghiệm hoàn chỉnh, giao diện web trực quan giúp dễ dàng data visualization và phân tích, các thuật toán optimization algorithms siêu tham số nâng cao, và quản lý mô hình mạnh mẽ cho triển khai hiệu quả trên nhiều nền tảng khác nhau.

Link to this sectionHuấn luyện YOLO26 với ClearML#

Bạn có thể mang sự 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.

Link to this sectionCài đặt#

Để cài đặt các gói cần thiết, hãy chạy:

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

Để có 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 quá trình 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.

Link to this sectionCấu hình ClearML#

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

Bắt đầu bằng cách khởi tạo ClearML SDK trong môi trường của bạn. Lệnh clearml-init sẽ bắt đầu quy trình thiết lập và yêu cầu 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 bên phải và chọn "Settings". Đi đến phần "Workspace" và nhấp vào "Create new credentials". Sử dụng thông tin xác thực được cung cấp trong cửa sổ "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.

Link to this sectionCách sử dụng#

Trước khi đi sâu vào hướng dẫn sử dụng, hãy đảm bảo xem qua các mô hình YOLO26 được cung cấp bởi Ultralytics. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho 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)

Link to this sectionTìm hiểu về mã nguồn#

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

Bước 1: Tạo một ClearML Task: Một tác vụ mới được khởi tạo trong ClearML, chỉ định tên dự án và tên tác vụ của bạn. Tác vụ 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 được chọn sẽ được tải bằng class YOLO của Ultralytics, chuẩn bị sẵn sàng để huấn luyện.

Bước 4: Thiết lập các tham số huấn luyện: Các tham số huấn luyện chính như tập dữ liệu (coco8.yaml) và số epochs (16) được sắp xếp trong một từ điển và kết nối với ClearML task. Điều này cho phép theo dõi và sửa đổi tiềm năng thông qua giao diện người dùng ClearML UI. 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 của chúng tôi.

Bước 5: Bắt đầu huấn luyện mô hình: Việc 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.

Link to this sectionTìm hiểu về đầu ra#

Sau khi chạy đoạn mã sử dụng phía trên, bạn có thể mong đợi kết quả đầu ra sau:

• Một thông báo xác nhận 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 theo dõi bởi ClearML.
• 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 mô hình YOLO26 và tập dữ liệu được chỉ định, theo sau là bản tóm tắt về kiến trúc mô hình và cấu hình huấn luyện.
• Các thông báo khởi tạo cho nhiều thành phần huấn luyện khác nhau như TensorBoard, Mixed Precision tự động (AMP), và quá trình chuẩn bị tập dữ liệu.
• Cuối cùng, quy trình huấn luyện bắt đầu, với các cập nhật tiến trình khi mô hình được huấn luyện trên tập dữ liệu đã chỉ định. Để hiểu sâu hơn về các số liệu hiệu suất được sử dụng trong quá trình huấn luyện, hãy đọc hướng dẫn của chúng tôi về số liệu hiệu suất.

Link to this sectionXem 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.

Link to this sectionCác tính năng chính của trang kết quả ClearML#

• Theo dõi số liệu thời gian thực

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

• So sánh thực nghiệm

  • So sánh các lần huấn luyện khác nhau cạnh nhau.
  • 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 số liệu và đầu ra của console.
  • Hiểu sâu hơn về hành vi của mô hình và giải quyết vấn đề.

• Giám sát 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 huấn luyện và chi phí.

• Quản lý các thành phần mô hình (Model Artifacts)

  • Xem, tải xuống và chia sẻ các thành phần mô hình như các mô hình đã được huấn luyện và các checkpoint.
  • Tăng cường cộng tác và hợp lý hóa model deployment và chia sẻ.

Để có cái nhìn trực quan về trang Kết quả ClearML, hãy xem video bên dưới:

Link to this sectionCác tính năng nâng cao trong ClearML#

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

Link to this sectionThực thi từ xa#

Tính năng thực thi từ xa của ClearML tạo điều kiện thuận lợi cho việc tái tạo và thao tác các thực 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 commit. Khi một tác vụ được đưa vào hàng đợi, ClearML Agent sẽ lấy nó, tái tạo môi trường và chạy thực nghiệm, sau đó báo cáo lại với các kết quả chi tiết.

Việc triển khai ClearML Agent rất đơn giản và có thể 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 có thể áp dụng cho các 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.

Link to this sectionSao chép, Chỉnh sửa và Đưa vào hàng đợi#

Giao diện thân thiện với người dùng của ClearML cho phép sao chép, chỉnh sửa và đưa các tác vụ vào hàng đợi một cách dễ dàng. Người dùng có thể sao chép một thực nghiệm hiện có, điều chỉnh các tham số hoặc các chi tiết khác thông qua UI và đưa tác vụ vào hàng đợi để thực thi. Quy trình hợp lý này đảm bảo rằng ClearML Agent thực thi tác vụ sử dụng các cấu hình đã cập nhật, khiến nó trở nên lý tưởng cho các thực nghiệm lặp đi lặp lại và tinh chỉnh mô hình.

Link to this sectionQuản lý phiên bản tập dữ liệu#

ClearML cũng cung cấp các khả năng quản lý phiên bản tập dữ liệu mạnh mẽ tích hợp liền mạch với quy trình huấn luyện YOLO26. Tính năng này cho phép bạn:

• Lập 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 từng thực 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. Tổ chức 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 một tập dữ liệu có phiên bản trong ClearML có thể được tham chiếu trong các script huấn luyện của bạn, đảm bảo tính tái lập và dễ dàng truy cập vào dữ liệu của bạn.

Link to this sectionTóm tắt#

Hướng dẫn này đã dẫn dắt 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 thực 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, điều này cũng áp dụng cho các quy trình làm việc YOLO26.

Ngoài ra, hãy khám phá thêm các tích hợp và khả năng khác của Ultralytics bằng cách truy cập trang hướng dẫn tích hợp Ultralytics, một kho tàng tài nguyên và thông tin chuyên sâu.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionQuy trình tích hợp Ultralytics YOLO26 với ClearML như thế nào?#

Việc tích hợp Ultralytics YOLO26 với ClearML bao gồm một loạt các bước để hợp lý hóa 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 của chúng tôi.

Link to this sectionTại sao tôi nên sử dụng ClearML với Ultralytics YOLO26 cho các dự án machine learning của mình?#

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

Link to this sectionLàm thế nào để tôi xử lý các vấn đề 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 của chúng tôi để biết các giải pháp và mẹo. Các vấn đề điển hình có thể bao gồm lỗi cài đặt gói, thiết lập thông tin xác thực hoặc lỗi cấu hình. Hướng dẫn này cung cấp các bước khắc phục sự cố để giải quyết các vấn đề chung này một cách hiệu quả.

Link to this sectionLàm thế nào để thiết lập ClearML task cho việc huấn luyện mô hình YOLO26?#

Việc thiết lập một ClearML task cho 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:

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 phân tích chi tiết về các bước này.

Link to this sectionTôi có thể xem kết quả huấn luyện YOLO26 của mình ở đâu trong ClearML?#

Sau khi chạy script 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 số liệu, so sánh các thực 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.