Ultralytics YOLO27：

使用 ClearML 训练 YOLO26：简化你的 MLOps 工作流#

MLOps 弥合了在真实环境中创建和部署机器学习模型之间的鸿沟。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 可轻松与 ClearML 集成，从而简化并增强你的目标检测模型训练和管理。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开展高效协作。

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实现完整的实验复现；提供直观的 Web UI，便于进行数据可视化和分析；提供先进的超参数优化算法；以及强大的模型管理功能，以便在各种平台上高效部署。

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高效率，从而改进训练流程。

安装#

要安装所需的软件包，请运行：

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

有关安装流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 所需软件包时，如果遇到任何困难，请参阅我们的常见问题指南以获取解决方案和提示。

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 ClearML 账户并获取必要的凭据，以便在你的开发环境与 ClearML 服务器之间建立顺畅的连接。

首先，在你的环境中初始化 ClearML SDK。clearml-init 命令会启动设置流程，并提示你输入必要的凭据。

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

执行此命令后，访问 ClearML 设置页面。转到右上角并选择“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，按照说明使用“Create Credentials”弹窗中提供的凭据完成设置。

使用方法#

在开始阅读使用说明之前，请务必查看 Ultralytics 提供的 YOLO26 模型。这将帮助你根据项目需求选择最合适的模型。

使用方法
from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
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，它会创建一个任务；使用 YOLO 的 project 和 name 参数作为 ClearML 的项目名和任务名；并自动关联训练参数。运行 yolo settings clearml=False 可禁用该集成。有关训练选项和最佳实践，请参阅 YOLO26 模型训练指南。

理解输出#

运行上面的使用代码片段后，你可以看到以下输出：

  • 一条确认新 ClearML 任务已创建的消息，以及该任务的唯一 ID。
  • 一条关于脚本代码已存储的信息，表示 ClearML 正在跟踪代码执行过程。
  • 一个指向 ClearML 结果页面的 URL 链接，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，训练流程开始，模型在指定数据集上训练时会显示进度更新。要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#

点击使用代码片段输出中的 ClearML 结果页面 URL 链接，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、准确率和验证得分等关键指标。
    • 即时提供反馈，以便及时调整模型性能。

  • 实验对比

    • 并排比较不同的训练运行结果。
    • 这对于超参数调优和确定效果最佳的模型至关重要。

  • 详细日志和输出

    • 访问完整日志、指标的图形表示以及控制台输出。
    • 更深入地了解模型行为并解决问题。

  • 资源使用情况监控

    • 监控计算资源的使用情况，包括 CPU、GPU 和内存。
    • 这是优化训练效率和成本的关键。

  • 模型工件管理

    • 查看、下载和共享训练模型、检查点等模型工件。
    • 促进协作，并简化模型部署和共享。

要直观了解 ClearML 结果页面的外观，请观看下面的视频：



Watch: YOLO26 MLOps Integration using ClearML

ClearML 的高级功能#

ClearML 提供多项高级功能，可增强你的 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对其进行操作。它会记录已安装软件包和未提交更改等重要详细信息。任务进入队列后，ClearML Agent 会提取该任务、重建环境并运行实验，然后返回详细结果。

部署 ClearML Agent 非常简单，可以使用以下命令在各种机器上完成：

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

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

克隆、编辑和加入队列#

ClearML 的用户友好界面支持轻松克隆、编辑和将任务加入队列。用户可以克隆现有实验，通过 UI 调整参数或其他详细信息，然后将任务加入执行队列。这个简化的流程确保执行任务的 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。此功能允许你：

  • 将数据集版本独立于代码进行管理
  • 跟踪每个实验所使用的数据集版本
  • 轻松访问和下载最新的数据集版本

要为 ClearML 准备数据集，请执行以下步骤：

  1. 按照标准 YOLO 结构（images、labels 等）组织数据集

  2. 将相应的 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 .

此命令将在 ClearML 中创建一个带版本的数据集，可在训练脚本中引用，从而确保数据可复现并易于访问。

总结#

本指南带你完成了将 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利用 ClearML 实现高效训练、实验跟踪和工作流优化。

如需进一步了解使用详情，请访问 ClearML 官方 YOLOv8 集成指南，其中的内容同样适用于 YOLO26 工作流。

此外，你还可以访问 Ultralytics 集成指南页面，进一步探索 Ultralytics 的更多集成和功能；该页面汇集了丰富的资源和见解。

常见问题#

  • 将 Ultralytics YOLO26 与 ClearML 集成需要执行一系列步骤，以简化你的 MLOps 工作流。首先，安装必要的软件包：

    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 ClearML 设置页面中的凭据配置 ClearML。有关完整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 搭配使用，可以自动跟踪实验、简化工作流并实现强大的模型管理，从而增强你的机器学习项目。ClearML 提供实时指标跟踪、资源使用情况监控以及用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，并提高开发流程的效率。请在我们的 MLOps 集成指南中进一步了解相关优势和流程。

  • 如果在将 YOLO26 与 ClearML 集成期间遇到问题，请参阅我们的常见问题指南以获取解决方案和提示。典型问题可能涉及软件包安装错误、凭据设置或配置问题。本指南提供分步故障排除说明，帮助你高效解决这些常见问题。

  • 执行 clearml-init 后，正常开始训练。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 参数会成为 ClearML 的项目名和任务名。详情请参阅 使用指南。

  • 使用 ClearML 运行 YOLO26 训练脚本后，你可以在 ClearML 结果页面查看结果。输出中会包含一个指向 ClearML 控制面板的 URL 链接，你可以在该页面跟踪指标、比较实验并监控资源使用情况。有关查看和解读结果的更多详情，请查看我们的查看 ClearML 结果页面部分。

贡献者
GLglenn-jocher22RIRizwanMunawar2RAraimbekovm1PDpderrenger1Y-Y-T-G1WIWillieMaddox1LALaughing-q1MAMatthewNoyce1IVIvorZhu3311ABabirami-vina1

评论