Đào tạo YOLO11 với ClearML : Tinh giản quy trình làm việc MLOps của bạn
MLOps thu hẹp khoảng cách giữa việc tạo và triển khai các mô hình học máy trong bối cảnh thực tế. Nó tập trung vào việc 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 tế.
Ultralytics YOLO11 tích hợp dễ dàng với ClearML , hợp lý hóa và nâng cao việc đào tạo và quản lý mô hình phát hiện đối tượng của bạn. Hướng dẫn này sẽ hướng dẫn bạn qua quy trình tích hợp, trình bày chi tiết cách thiết lập ClearML , quản lý các thí nghiệm, tự động hóa việc quản lý mô hình và cộng tác hiệu quả.
ClearML
ClearML là một nền tảng MLOps mã nguồn mở sáng tạo được thiết kế khéo léo để tự động hóa, giám sát và điều phối các quy trình làm việc của máy học. Các tính năng chính của nó bao gồm ghi nhật ký tự động tất cả dữ liệu đào tạo và suy luận để có thể tái tạo toàn bộ thí nghiệm, giao diện người dùng web trực quan để dễ dàng trực quan hóa và phân tích dữ liệu , các thuật toán tối ưu hóa siêu tham số tiên tiến và quản lý mô hình mạnh mẽ để triển khai hiệu quả trên nhiều nền tảng khác nhau.
YOLO11 Đào tạo với ClearML
Bạn có thể mang lại sự tự động hóa và hiệu quả cho quy trình học máy của mình bằng cách cải thiện quy trình đào tạo bằng cách tích hợp YOLO11 với ClearML .
Cài đặt
Để cài đặt các gói cần thiết, hãy chạy:
Để biết hướng dẫn chi tiết và các biện pháp thực hành tốt nhất liên quan đến quy trình cài đặt, hãy nhớ kiểm tra hướng dẫn Cài đặt YOLO11 của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11 , nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Sự cố thường gặp của chúng tôi để biết giải pháp và mẹo.
Cấu hình ClearML
Sau khi bạn đã cài đặt các gói cần thiết, bước tiếp theo là khởi tạo và cấu hình ClearML SDK. Điều này liên quan đến việc thiết lập ClearML tài khoản và có được thông tin xác thực cần thiết để kết nối liền mạch giữa môi trường phát triển của bạn và ClearML máy chủ.
Bắt đầu bằng cách khởi tạo ClearML SDK trong môi trường của bạn. clearml Lệnh -init' bắt đầu quá trình thiết lập và nhắc bạn nhập thông tin đăng nhập cần thiết.
Sau khi thực hiện lệnh này, hãy truy cập trang Cài đặt ClearML . Điều hướng đến góc trên bên phải và chọn "Cài đặt". Đi đến phần "Không gian làm việc" và nhấp vào "Tạo thông tin xác thực mới". Sử dụng thông tin xác thực được cung cấp trong cửa sổ bật lên "Tạo thông tin xác thực" để hoàn tất thiết lập theo hướng dẫn, tùy thuộc vào việc bạn có đang cấu hình hay không. ClearML trong Jupyter Notebook hoặc cục bộ Python môi trường.
Cách sử dụng
Trước khi tìm hiểu hướng dẫn sử dụng, hãy chắc chắn kiểm tra phạm vi các mẫu YOLO11 do Ultralytics cung cấp . Điều này sẽ giúp bạn chọn được mẫu phù hợp nhất cho yêu cầu dự án của mình.
Cách sử dụng
from clearml import Task
from ultralytics import YOLO
# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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
Hãy cùng tìm hiểu các bước được trình bày trong đoạn mã sử dụng ở trên.
Bước 1: Tạo tác vụ ClearML : Một tác vụ mới được khởi tạo trong ClearML , chỉ định tên dự án và tác vụ của bạn. Tác vụ này sẽ theo dõi và quản lý quá trình đào tạo mô hình của bạn.
Bước 2: Chọn YOLO11 Người mẫu: Các model_variant biến được đặt thành 'yolo11n', một trong những YOLO11 mô hình. Biến thể này sau đó được ghi vào ClearML để theo dõi.
Bước 3: Tải mô hình YOLO11 : Đã chọn YOLO11 mô hình được tải bằng cách sử dụng Ultralytics ' YOLO lớp học, chuẩn bị cho việc đào tạo.
Bước 4: Thiết lập đối số đào tạo: Các đối số đào tạo chính như tập dữ liệu (coco8.yaml) và số lượng thời đại (16) được tổ chức trong một từ điển và kết nối với ClearML nhiệm vụ. Điều này cho phép theo dõi và sửa đổi tiềm năng thông qua ClearML UI. Để hiểu rõ hơn về quy trình đào tạo mô hình và các phương pháp hay nhất, hãy tham khảo YOLO11 Hướng dẫn đào tạo người mẫu.
Bước 5: Bắt đầu đào tạo mô hình: Việc đào tạo mô hình được bắt đầu với các đối số được chỉ định. Kết quả của quá trình đào tạo được ghi lại trong results biến đổi.
Hiểu về đầu ra
Khi chạy đoạn mã sử dụng ở trên, bạn có thể mong đợi kết quả đầu ra sau:
- Một thông báo xác nhận cho biết việc tạo một cái mới ClearML nhiệm vụ, cùng với ID duy nhất của nó.
- Một thông báo thông tin về mã tập lệnh đang được lưu trữ, cho biết việc thực thi mã đang được theo dõi bởi ClearML .
- Một liên kết URL tới ClearML trang kết quả nơi bạn có thể theo dõi tiến trình đào tạo và xem nhật ký chi tiết.
- Tải xuống tiến trình cho YOLO11 mô hình và tập dữ liệu đã chỉ định, theo sau là bản tóm tắt về kiến trúc mô hình và cấu hình đào tạo.
- Tin nhắn khởi tạo cho nhiều thành phần đào tạo khác nhau như TensorBoard, Automatic Mixed Precision (AMP) và chuẩn bị tập dữ liệu.
- Cuối cùng, quá trình đào tạo bắt đầu, với các bản cập nhật tiến độ khi mô hình đào tạo trên tập dữ liệu được chỉ định. Để hiểu sâu hơn về số liệu hiệu suất được sử dụng trong quá trình đào tạo, hãy đọc hướng dẫn của chúng tôi về số liệu hiệu suất .
Xem các ClearML Trang kết quả
Bằng cách nhấp vào liên kết URL tới ClearML trang kết quả trong đầu ra của đoạn mã sử dụng, bạn có thể truy cập vào chế độ xem toàn diện về quy trình đào tạo mô hình của mình.
Các tính năng chính của ClearML Trang kết quả
-
Theo dõi số liệu thời gian thực
- Theo dõi các số liệu quan trọng như tổn thất, độ chính xác 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 đợt luyện tập khác nhau.
- Cần thiết cho việc điều chỉnh siêu tham số và xác định mô hình hiệu quả nhất.
-
Nhật ký và đầu ra chi tiết
- Truy cập nhật ký toàn diện, biểu diễn đồ họa của số liệu và đầu ra của bảng điều khiển.
- Hiểu sâu hơn về hành vi của mô hình và cách giải quyết vấn đề.
-
Giám sát sử dụng tài nguyên
- Theo dõi việc sử dụng các nguồn tài nguyên tính toán, bao gồm CPU , GPU và bộ nhớ.
- Chìa khóa để tối ưu hóa hiệu quả và chi phí đào tạo.
-
Quản lý hiện vật mô hình
- Xem, tải xuống và chia sẻ các hiện vật mô hình như mô hình đã đào tạo và điểm kiểm tra.
- Tăng cường sự cộng tác và hợp lý hóa việc triển khai và chia sẻ mô hình .
Để có hướng dẫn trực quan về những gì ClearML Trang kết quả trông như thế này, hãy xem video bên dưới:
Đồng hồ: YOLO11 Tích hợp MLOps bằng cách sử dụng ClearML
Các tính năng nâng cao trong ClearML
ClearML cung cấp nhiều tính năng nâng cao để nâng cao trải nghiệm MLOps của bạn.
Thực hiện từ xa
ClearML Tính năng thực hiện từ xa của 's tạo điều kiện thuận lợi cho việc tái tạo 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 tác vụ được xếp hàng, ClearML Tác nhân kéo nó, tái tạo môi trường và chạy thử nghiệm, báo cáo lại kết quả chi tiết.
Triển khai một ClearML Agent rất đơn giản và có thể thực hiện trên nhiều máy khác nhau bằng lệnh sau:
Thiết lập này áp dụng cho máy ảo đám mây, GPU cục bộ hoặc máy tính xách tay. ClearML Bộ điều chỉnh tự động giúp quản lý khối lượng công việc đám mây trên các nền tảng như AWS, GCP và Azure, tự động triển khai các tác nhân và điều chỉnh tài nguyên dựa trên ngân sách tài nguyên của bạn.
Sao chép, Chỉnh sửa và Xếp hàng
ClearML Giao diện thân thiện với người dùng cho phép dễ dàng sao chép, chỉnh sửa và xếp hàng các tác vụ. Người dùng có thể sao chép một thử nghiệm hiện có, điều chỉnh các thông số hoặc các chi tiết khác thông qua UI và xếp hàng tác vụ để thực hiện. Quy trình hợp lý này đảm bảo rằng ClearML Tác nhân thực hiện tác vụ sử dụng cấu hình đã cập nhật, lý tưởng cho thử nghiệm lặp đi lặp lại và tinh chỉnh mô hình.
Bản tóm tắt
Hướng dẫn này đã hướng dẫn bạn qua quá trình tích hợp ClearML với Ultralytics ' YOLO11 . Bao gồm mọi thứ từ thiết lập ban đầu đến quản lý mô hình nâng cao, bạn đã khám phá ra cách tận dụng ClearML để đào tạo hiệu quả, theo dõi thử nghiệm và tối ưu hóa quy trình làm việc trong các dự án học máy của bạn.
Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của ClearML .
Ngoài ra, hãy khám phá thêm nhiều tích hợp và khả năng của Ultralytics bằng cách truy cập trang hướng dẫn tích hợp Ultralytics , đây là kho tàng tài nguyên và thông tin chi tiết.
CÂU HỎI THƯỜNG GẶP
Quá trình tích hợp là gì? Ultralytics YOLO11 với ClearML ?
Tích hợp Ultralytics YOLO11 với ClearML bao gồm một loạt các bước để hợp lý hóa quy trình làm việc MLOps của bạn. Trước tiên, hãy cài đặt các gói cần thiết:
Tiếp theo, khởi tạo ClearML SDK trong môi trường của bạn bằng cách sử dụng:
Sau đó bạn cấu hình ClearML với thông tin xác thực của bạn từ trang Cài đặt ClearML . Hướng dẫn chi tiết về toàn bộ quá trình thiết lập, bao gồm lựa chọn mô hình và cấu hình đào tạo, có thể được tìm thấy trong hướng dẫn Đào tạo mô hình YOLO11 của chúng tôi.
Tại sao tôi nên sử dụng ClearML với Ultralytics YOLO11 cho các dự án học máy của tôi?
Sử dụng ClearML với Ultralytics YOLO11 nâng cao các dự án học máy của bạn bằng cách tự động theo dõi thử nghiệm, hợp lý hóa quy trình làm việc và cho phép quản lý mô hình mạnh mẽ. ClearML cung cấp theo dõi số liệu theo thời gian thực, giám sát sử dụng tài nguyên và giao diện thân thiện với người dùng để so sánh các thử nghiệm. Các tính năng này giúp tối ưu hóa hiệu suất mô hình của bạn và làm cho quy 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 thế nào để tôi khắc phục sự cố thường gặp trong YOLO11 Và ClearML tích hợp?
Nếu bạn gặp phải vấn đề trong quá trình tích hợp YOLO11 với ClearML , hãy tham khảo hướng dẫn Các vấn đề thường gặp của chúng tôi để biết 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 sự cố cấu hình. Hướng dẫn này cung cấp hướng dẫn khắc phục sự cố từng bước để giải quyết các vấn đề thường gặp này một cách hiệu quả.
Làm thế nào để tôi thiết lập ClearML nhiệm vụ cho YOLO11 đào tạo người mẫu?
Thiết lập một ClearML nhiệm vụ cho YOLO11 đào tạo bao gồm khởi tạo một tác vụ, chọn biến thể mô hình, tải mô hình, thiết lập đối số đào tạo và cuối cùng là bắt đầu đào tạo mô hình. Sau 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_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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 thông tin chi tiết về các bước này.
Tôi có thể xem kết quả của tôi ở đâu? YOLO11 đào tạo trong ClearML ?
Sau khi chạy YOLO11 kịch bản đào tạo với ClearML , bạn có thể xem kết quả trên ClearML trang kết quả. Đầu ra sẽ bao gồm một liên kết URL đến ClearML bảng điều khiển, nơi bạn có thể theo dõi số liệu, so sánh các thử nghiệm và giám sát việc sử dụng tài nguyên. Để biết thêm chi tiết về cách xem và diễn giải kết quả, hãy xem phần Xem Trang kết quả ClearML của chúng tôi.
