Ultralytics YOLO27：
Get Started

使用 ClearML 训练 YOLO26：简化你的 MLOps 工作流#

MLOps 在现实场景中弥合了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 可轻松集成 ClearML，简化并增强你的目标检测模型训练与管理。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 是一个创新的开源 MLOps 平台，专为自动化、监控和编排机器学习工作流而设计。其主要功能包括自动记录所有训练和推理数据以确保实验完全可复现、直观的 Web UI 以便轻松进行数据可视化和分析、高级超参数优化算法，以及强大的模型管理功能，可高效地将模型部署到各种平台。

使用 ClearML 训练 YOLO26#

将 YOLO26 与 ClearML 集成，可以为你的机器学习工作流带来自动化和效率，改进训练流程。

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#

安装所需的软件包后，下一步是初始化并配置 ClearML SDK。这包括设置 ClearML 账户并获取必要的凭据，以便在开发环境和 ClearML 服务器之间建立无缝连接。

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#

开始阅读使用说明前，请务必了解 Ultralytics 提供的 YOLO26 模型，以便根据项目需求选择最合适的模型。

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。
  • 各种训练组件的初始化消息，例如 TensorBoard、自动混合精度 (AMP) 和数据集准备。
  • 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。它会记录已安装软件包和未提交更改等重要细节。任务进入队列后，ClearML Agent 会提取任务、重建环境并运行实验，然后反馈详细结果。

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 的用户友好界面让克隆、编辑和加入队列任务变得轻松。用户可以克隆现有实验，通过 UI 调整参数或其他详情，然后将任务加入队列以供执行。这个简化的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 还提供强大的数据集版本管理功能，可与 YOLO26 训练工作流无缝集成。此功能让你可以：

  • 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，你已经了解了如何利用 ClearML，在机器学习项目中高效训练、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。

此外，访问 Ultralytics 集成指南页面，了解 Ultralytics 的更多集成方案和功能；该页面汇集了丰富的资源和见解。

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。

贡献者
GLglenn-jocher23RIRizwanMunawar2RAraimbekovm1PDpderrenger1Y-Y-T-G1WIWillieMaddox1LALaughing-q1MAMatthewNoyce1IVIvorZhu3311ABabirami-vina1

评论