通过ClearML 培训 YOLO11：简化 MLOps 工作流程
MLOps 弥补了在实际环境中创建和部署机器学习模型之间的差距。它侧重于高效部署、可扩展性和持续管理，以确保模型在实际应用中表现良好。
Ultralytics YOLO11可以毫不费力地与ClearML 集成，从而简化并增强对象检测模型的训练和管理。本指南将指导您完成集成过程，详细介绍如何设置ClearML 、管理实验、自动管理模型以及有效协作。
ClearML
ClearML是一个创新的开源 MLOps 平台，其设计巧妙，可实现机器学习工作流的自动化、监控和协调。它的主要功能包括：自动记录所有训练和推理数据，以实现全面的实验可重复性；直观的 Web UI，以方便数据可视化和分析；先进的超参数优化算法；以及强大的模型管理，以实现在各种平台上的高效部署。
YOLO11 培训与ClearML
通过将 YOLO11 与ClearML 集成，您可以改进训练流程，从而为机器学习工作流程带来自动化和效率。
安装
要安装所需的软件包，请运行
有关安装过程的详细说明和最佳实践，请务必查看我们的YOLO11 安装指南。在安装 YOLO11 所需软件包时，如果遇到任何困难，请查阅我们的常见问题指南，了解解决方案和提示。
配置ClearML
安装完必要的软件包后，下一步就是初始化和配置ClearML SDK。这包括设置ClearML 账户和获取必要的凭证，以便在开发环境和ClearML 服务器之间实现无缝连接。
首先在您的环境中初始化ClearML SDK。clearml-init "命令会启动设置过程，并提示您输入必要的凭据。
执行该命令后，访问ClearML 设置页面。导航至右上角并选择 "设置"。转到 "工作区 "部分，点击 "创建新凭证"。根据您是在 Jupyter Notebook 还是本地Python 环境中配置ClearML ，使用 "创建凭据 "弹出窗口中提供的凭据按说明完成设置。
使用方法
在了解使用说明之前，请务必查看 Ultralytics 提供的 YOLO11 型号范围。这将有助于您根据项目要求选择最合适的型号。
使用方法
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)
了解守则
让我们来了解一下上述使用代码片段中展示的步骤。
步骤 1：创建ClearML 任务：在ClearML 中初始化一个新任务，指定项目和任务名称。该任务将跟踪和管理模型的训练。
步骤 2：选择 YOLO11 型号:""""""""""""等字样。 model_variant 变量设置为 "yolo11n"，即 YOLO11 型号之一。然后将此变量登录ClearML 进行跟踪。
第 3 步：加载 YOLO11 模型：使用Ultralytics'YOLO 类加载选定的 YOLO11 模型，为训练做好准备。
步骤 4：设置训练论据:关键的训练参数，如数据集 (coco8.yaml)和 纪元 (16) 整理成字典，并与ClearML 任务相连。这样就可以通过ClearML UI 进行跟踪和潜在修改。要详细了解模型训练过程和最佳实践，请参阅我们的 YOLO11 模型培训指南.
步骤 5：启动模型培训:使用指定参数开始模型训练。训练过程的结果保存在 results 变量。
了解输出
运行上面的使用代码片段后，输出结果如下：
- 一条确认信息，表明创建了一个新的ClearML 任务，并提供了该任务的唯一 ID。
- 关于存储脚本代码的信息提示，表明ClearML 正在跟踪代码执行情况。
- 指向ClearML 结果页面的 URL 链接，您可在此监控训练进度并查看详细日志。
- 下载 YOLO11 模型和指定数据集的进度，然后是模型架构和训练配置的摘要。
- 各种训练组件的初始化信息，如 TensorBoard、自动混合精度(AMP) 和数据集准备。
- 最后，训练过程开始，模型在指定数据集上进行训练时会更新进度。要深入了解训练过程中使用的性能指标，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，就可以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
- 跟踪发生的损失、准确性和验证分数等关键指标。
- 提供即时反馈，以便及时调整模型性能。
实验比较
- 并排比较不同的训练运行。
- 对于超参数调整和确定最有效的模型至关重要。
详细日志和输出
- 访问综合日志、指标图形表示法和控制台输出。
- 加深对模特行为和问题解决的理解。
资源利用监测
- 监控计算资源的使用情况，包括CPU 、GPU 和内存。
- 优化培训效率和成本的关键。
模型工件管理
- 查看、下载和共享模型工件，如训练有素的模型和检查点。
- 加强协作，简化模型部署和共享。
有关ClearML 结果页面的直观演示，请观看下面的视频：
观看： 使用 YOLO11 MLOps 集成ClearML
高级功能ClearML
ClearML 提供多种高级功能，可增强您的 MLOps 体验。
远程执行
ClearML的远程执行功能有助于在不同机器上复制和操作实验。它记录已安装软件包和未提交更改等重要细节。当任务被挂起时，ClearML Agent 会将其拉出，重新创建环境并运行实验，同时报告详细结果。
部署ClearML Agent 非常简单，可使用以下命令在不同机器上完成：
这种设置适用于云虚拟机、本地 GPU 或笔记本电脑。ClearML 自动扩展器可帮助管理 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、编辑和排队
ClearML的用户友好界面可以轻松克隆、编辑和启动任务。用户可以克隆现有的实验，通过用户界面调整参数或其他细节，然后排队执行任务。这一简化流程可确保ClearML Agent 在执行任务时使用最新配置，因此非常适合迭代实验和模型微调。
摘要
本指南将引导您完成将ClearML 与Ultralytics' YOLO11 集成的过程。从初始设置到高级模型管理，您将发现如何在机器学习项目中利用ClearML 进行高效训练、实验跟踪和工作流优化。
有关使用的详细信息，请访问ClearML 的官方文档。
此外，您还可以访问Ultralytics 集成指南页面，了解Ultralytics 的更多集成和功能，该页面是资源和见解的宝库。
常见问题
Ultralytics YOLO11 与ClearML 的集成过程是怎样的？
Ultralytics YOLO11 与ClearML 的集成涉及一系列简化 MLOps 工作流程的步骤。首先，安装必要的软件包：
接下来，在环境中使用ClearML SDK 初始化：
然后，您可以在ClearML 设置页面使用您的凭据配置ClearML 。关于整个设置过程的详细说明，包括模型选择和培训配置，请参阅我们的YOLO11 模型培训指南。
为什么要在机器学习项目中使用ClearML 和Ultralytics YOLO11？
使用ClearML 和Ultralytics YOLO11 可以自动跟踪实验、简化工作流程并实现强大的模型管理，从而增强您的机器学习项目。ClearML 提供实时指标跟踪、资源利用率监控和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，提高开发过程的效率。在我们的MLOps 集成指南中了解有关优势和程序的更多信息。
如何排除 YOLO11 和ClearML 集成过程中的常见问题？
如果您在将 YOLO11 与ClearML 整合的过程中遇到问题，请查阅我们的常见问题指南，了解解决方案和提示。典型的问题可能涉及软件包安装错误、凭证设置或配置问题。本指南提供逐步的故障排除说明，可有效解决这些常见问题。
如何为 YOLO11 模型训练设置ClearML 任务？
为 YOLO11 训练设置ClearML 任务包括初始化任务、选择模型变体、加载模型、设置训练参数，最后开始模型训练。下面是一个简化示例：
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)
有关这些步骤的详细说明，请参阅我们的使用指南。
我可以在ClearML 中查看 YOLO11 培训的结果吗？
使用ClearML 运行 YOLO11 训练脚本后，您可以在ClearML 结果页面上查看结果。输出结果将包括一个指向ClearML 控制面板的 URL 链接，您可以在该控制面板上跟踪指标、比较实验和监控资源使用情况。有关如何查看和解释结果的详细信息，请查看我们的 "查看ClearML 结果页面"部分。
