开始使用

使用 ClearML 训练 YOLO26:简化你的 MLOps 工作流

MLOps 弥合了在真实场景中创建和部署机器学习模型之间的差距。它专注于高效部署、可扩展性和持续管理,确保模型在实际应用中表现良好。

Ultralytics YOLO26 与 ClearML 集成,可跟踪和管理你的目标检测模型训练。本指南将带你了解集成流程,详细介绍如何设置 ClearML、管理实验、自动化模型管理以及高效协作。

ClearML#

ClearML MLOps platform dashboard

ClearML 是一个开源 MLOps 平台,旨在自动化、监控和编排机器学习工作流。其主要功能包括:自动记录训练和推理数据以确保实验可复现;提供用于数据可视化和分析的 Web UI;提供超参数优化算法;以及支持跨平台部署的模型管理。

使用 ClearML 训练 YOLO26#

将 YOLO26 与 ClearML 集成可自动记录实验日志,让训练运行更容易复现和比较。

安装#

运行以下命令安装所需的软件包:

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

有关安装过程的详细说明和最佳实践,请务必查看我们的 YOLO26 安装指南。安装 YOLO26 所需的软件包时,如果遇到任何问题,请参阅我们的常见问题指南,获取解决方案和建议。

配置 ClearML#

安装必要的软件包后,下一步是初始化并配置 ClearML SDK。这包括设置你的 ClearML 账户,并获取用于连接开发环境和 ClearML 服务器的凭据。

首先在你的环境中初始化 ClearML SDK。clearml-init 命令会启动设置流程,并提示你输入所需凭据。

SDK 初始设置
# Initialize your ClearML SDK setup process
clearml-init

执行此命令后,请访问 ClearML 设置页面。前往右上角并选择“Settings”。进入“Workspace”部分,然后点击“Create new credentials”。根据你是在 Jupyter Notebook 还是本地 Python 环境中配置 ClearML,使用“Create Credentials”弹出窗口中提供的凭据,按提示完成设置。

用法#

用法
from ultralytics import YOLO

# 此回调会自动创建并连接 ClearML 任务
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

理解代码#

安装并配置 ClearML 后,其回调默认处于启用状态。训练开始时,回调会创建一个任务,使用 YOLO 的 project 和 name 参数作为 ClearML 项目名称和任务名称,并自动连接训练参数。运行 yolo settings clearml=False 可禁用此集成。如需了解训练选项和最佳实践,请参阅 YOLO26 模型训练指南。

了解输出#

运行上面的用法代码片段后,你会看到以下输出:

  • 确认新 ClearML 任务已创建的消息,其中包含该任务的唯一 ID。
  • 关于脚本代码已存储的信息消息,表明 ClearML 正在跟踪代码执行情况。
  • 指向 ClearML 结果页面的 URL,你可以在该页面监控训练进度并查看详细日志。
  • YOLO26 模型和指定数据集的下载进度,随后是模型架构和训练配置的摘要。
  • 各类训练组件(如自动混合精度 (AMP))的初始化消息,以及数据集准备信息。
  • 最后,训练流程启动,模型在指定数据集上训练时会显示进度更新。如需深入了解训练期间使用的性能指标,请阅读我们的性能指标指南。

查看 ClearML 结果页面#

点击用法代码片段输出中的 ClearML 结果页面 URL,即可全面查看模型的训练过程。

ClearML 结果页面的主要功能#

  • 实时指标跟踪

    • 实时跟踪损失、准确率和验证分数等关键指标。
    • 及时提供反馈,以便迅速调整模型性能。
  • 实验对比

    • 并排比较不同的训练运行。
    • 这对超参数调优和找出效果最佳的模型至关重要。
  • 详细日志和输出

    • 查看完整日志、指标图表和控制台输出。
    • 深入了解模型行为并解决问题。
  • 资源利用率监控

    • 监控 CPU、GPU 和内存等计算资源的利用率。
    • 这是优化训练效率和成本的关键。
  • 模型制品管理

    • 查看、下载和分享已训练模型、检查点等模型制品。
    • 促进协作,并简化模型部署和分享。

如需直观了解 ClearML 结果页面的界面,请观看下方视频:



观看: 使用 ClearML 集成 YOLO26 MLOps

ClearML 的高级功能#

ClearML 提供多种高级功能,提升你的 MLOps 体验。

远程执行#

ClearML 的远程执行功能便于在不同机器上复现实验并进行操作。该功能会记录已安装的软件包和未提交的更改等重要细节。任务进入队列后,ClearML Agent会获取任务、重建环境并运行实验,然后返回详细结果。

使用以下命令即可轻松部署 ClearML Agent,并可在各种机器上完成部署:

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

此设置适用于云 VM、本地 GPU 或笔记本电脑。ClearML 自动扩缩器可帮助管理 AWS、GCP 和 Azure 等平台上的云工作负载,自动部署代理,并根据你的资源预算调整资源。

克隆、编辑并加入队列#

ClearML 的易用界面让你可以轻松克隆、编辑和将任务加入队列。用户可以克隆现有实验,通过 UI 调整参数或其他细节,然后将任务加入执行队列。这一简化流程可确保执行任务的 ClearML Agent 使用更新后的配置,非常适合迭代实验和模型微调。


数据集版本管理#

ClearML 还提供适用于 YOLO26 训练工作流的数据集版本管理功能。此功能可让你:

  • 将数据集版本与代码分开管理
  • 跟踪每个实验使用的数据集版本
  • 轻松访问并下载最新的数据集版本

要为 ClearML 准备数据集,请按以下步骤操作:

  1. 按照标准 YOLO 结构(images、labels 等)整理数据集

  2. 将对应的 YAML 文件复制到数据集文件夹的根目录

  3. 使用 ClearML Data 工具上传数据集:

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

此命令会在 ClearML 中创建带版本的数据集,你可以在训练脚本中引用该数据集,从而确保结果可复现并轻松访问数据。

总结#

本指南带你了解将 ClearML 与 Ultralytics 的 YOLO26 集成的流程。从初始设置到高级模型管理,你已经了解了如何在机器学习项目中使用 ClearML 高效训练、跟踪实验并优化工作流。

如需进一步了解用法,请访问 ClearML 官方 YOLOv8 集成指南,该指南同样适用于 YOLO26 工作流。

常见问题#

  • 将 Ultralytics YOLO26 与 ClearML 集成,需要完成一系列步骤来简化 MLOps 工作流。首先,安装所需的软件包:

    pip install ultralytics clearml

    接下来,使用以下命令在你的环境中初始化 ClearML SDK:

    clearml-init

    然后,使用你在 ClearML 设置页面中的凭据配置 ClearML。有关整个设置流程的详细说明,包括模型选择和训练配置,请参阅我们的 YOLO26 模型训练指南。

  • 将 ClearML 与 Ultralytics YOLO26 配合使用,可以自动跟踪实验、简化工作流并实现可靠的模型管理,从而提升机器学习项目的效率。ClearML 提供实时指标跟踪、资源利用率监控,以及便于比较实验的用户友好界面。这些功能有助于优化模型性能并提高开发效率。请参阅我们的 YOLO26 模型训练指南,了解更多优势和操作流程。

  • 如果在将 YOLO26 与 ClearML 集成时遇到问题,请参阅我们的常见问题指南,获取解决方案和建议。常见问题可能涉及软件包安装错误、凭据设置或配置问题。本指南提供逐步的故障排查说明,帮助你高效解决这些常见问题。

  • 完成 clearml-init 后,按常规方式开始训练。回调会创建 ClearML 任务,并自动关联训练参数:

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

    YOLO 的 project 和 name 参数会分别成为 ClearML 项目名称和任务名称。详情请参阅用法指南。

  • 使用 ClearML 运行 YOLO26 训练脚本后,你可以在 ClearML 结果页面查看结果。输出中会包含 ClearML 信息中心的 URL 链接,你可以在那里跟踪指标、比较实验并监控资源使用情况。有关如何查看和解读结果的更多详情,请参阅查看 ClearML 结果页面一节。

评论

提出问题、分享结果,或帮助其他人。