Link to this section使用 ClearML 训练 YOLO26：简化你的 MLOps 工作流程#

MLOps 弥合了在现实环境中创建和部署机器学习模型之间的差距。它专注于高效的部署、可扩展性以及持续的管理，以确保模型在实际应用中表现良好。

Ultralytics YOLO26 可以与 ClearML 轻松集成，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过程，详细说明如何设置 ClearML、管理实验、自动化模型管理以及进行有效的协作。

Link to this sectionClearML#

ClearML MLOps platform dashboard

ClearML 是一个创新的开源 MLOps 平台，旨在熟练地自动化、监控和编排机器学习工作流程。其主要功能包括对所有训练和推理数据进行自动记录以实现完整的实验可重复性、用于轻松进行数据可视化和分析的直观 Web UI、先进的超参数优化算法，以及用于在各种平台上进行高效部署的强大模型管理功能。

Link to this section使用 ClearML 进行 YOLO26 训练#

通过将 YOLO26 与 ClearML 集成，你可以为机器学习工作流程带来自动化和效率，从而改善训练过程。

Link to this section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。如果在安装 YOLO26 所需的软件包时遇到任何困难，请参考我们的常见问题指南以获取解决方案和提示。

Link to this section配置 ClearML#

安装必要的软件包后，下一步是初始化并配置你的 ClearML SDK。这涉及设置你的 ClearML 帐户并获取必要的凭据，以实现开发环境与 ClearML 服务器之间的无缝连接。

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

初始 SDK 设置

# Initialize your ClearML SDK setup process
clearml-init

执行此命令后，访问 ClearML 设置页面。导航到右上角并选择“Settings”。转到“Workspace”部分，然后点击“Create new credentials”。根据你是要在 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照说明完成设置。

Link to this section用法#

在深入了解使用说明之前，请务必查看 Ultralytics 提供的各种 YOLO26 模型。这将帮助你选择最适合你项目需求的模型。

用法

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 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)

Link to this section理解代码#

让我们了解一下上述使用代码片段中展示的步骤。

第 1 步：创建 ClearML 任务：在 ClearML 中初始化一个新任务，指定你的项目名称和任务名称。该任务将跟踪和管理你的模型训练。

第 2 步：选择 YOLO26 模型：将 model_variant 变量设置为 'yolo26n'（YOLO26 模型之一）。然后将此变体记录在 ClearML 中以供跟踪。

第 3 步：加载 YOLO26 模型：使用 Ultralytics 的 YOLO 类加载所选的 YOLO26 模型，为其训练做好准备。

第 4 步：设置训练参数：关键训练参数（如数据集 coco8.yaml 和轮次数 16）被组织在一个字典中并连接到 ClearML 任务。这允许通过 ClearML UI 进行跟踪和潜在的修改。有关模型训练过程和最佳实践的详细了解，请参阅我们的 YOLO26 模型训练指南。

第 5 步：启动模型训练：使用指定的参数开始模型训练。训练过程的结果被捕获在 results 变量中。

Link to this section理解输出#

运行上述使用代码片段后，你可以预期看到以下输出：

一条确认消息，指示已创建新的 ClearML 任务，以及其唯一 ID。
一条关于正在存储脚本代码的信息性消息，表明代码执行正在由 ClearML 跟踪。
指向 ClearML 结果页面的 URL 链接，你可以在其中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（如 TensorBoard、自动混合精度 (AMP) 和数据集准备）的初始化消息。
最后，训练过程开始，并在模型根据指定数据集进行训练时提供进度更新。有关训练期间使用的性能指标的深入了解，请阅读我们关于性能指标的指南。

Link to this section查看 ClearML 结果页面#

通过点击使用代码片段输出中指向 ClearML 结果页面的 URL 链接，你可以全面查看模型的训练过程。

Link to this sectionClearML 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。
- 提供即时反馈，以便及时进行模型性能调整。
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
- 访问全面的日志、指标的图形表示以及控制台输出。
- 更深入地了解模型行为和问题解决过程。
资源利用率监控
- 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。
模型制品管理
- 查看、下载并共享模型制品，例如已训练的模型和检查点。
- 增强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

Link to this sectionClearML 中的高级功能#

ClearML 提供多项高级功能来增强你的 MLOps 体验。

Link to this section远程执行#

ClearML 的远程执行功能有助于在不同机器上重现和操作实验。它记录已安装的软件包和未提交的更改等重要详细信息。当任务进入队列时，ClearML Agent 会将其拉取、重建环境并运行实验，然后反馈详细结果。

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]

此设置适用于云虚拟机、本地 GPU 或笔记本电脑。ClearML Autoscalers 有助于管理 AWS、GCP 和 Azure 等平台上的云工作负载，自动执行代理部署并根据你的资源预算调整资源。

Link to this section克隆、编辑和入队#

ClearML 的用户友好界面允许轻松克隆、编辑和对任务进行入队操作。用户可以克隆现有实验，通过 UI 调整参数或其他详细信息，并将任务入队以进行执行。此简化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。

Cloning, Editing, and Enqueuing with ClearML

Link to this section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 训练工作流程无缝集成。此功能允许你：

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

要为 ClearML 准备数据集，请遵循以下步骤：

使用标准 YOLO 结构（图像、标签等）组织你的数据集
将对应的 YAML 文件复制到你的数据集文件夹根目录

使用 ClearML Data 工具上传你的数据集：

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

此命令将在 ClearML 中创建一个版本化的数据集，该数据集可以在你的训练脚本中引用，从而确保可重复性并方便访问你的数据。

Link to this section总结#

本指南引导你完成了将 ClearML 与 Ultralytics YOLO26 集成的过程。从初始设置到高级模型管理，你已经了解了如何利用 ClearML 在机器学习项目中实现高效的训练、实验跟踪和工作流程优化。

有关用法的更多详细信息，请访问 ClearML 的官方 YOLOv8 集成指南，该指南也适用于 YOLO26 工作流程。

此外，通过访问 Ultralytics 集成指南页面探索 Ultralytics 的更多集成和功能，该页面是资源和见解的宝库。

Link to this section常见问题解答#

Link to this section将 Ultralytics YOLO26 与 ClearML 集成的流程是什么？#

将 Ultralytics YOLO26 与 ClearML 集成涉及一系列步骤，以简化你的 MLOps 工作流程。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。有关整个设置过程（包括模型选择和训练配置）的详细说明，请参阅我们的 YOLO26 模型训练指南。

Link to this section为什么我应该在我的机器学习项目中使用 ClearML 和 Ultralytics YOLO26？#

将 ClearML 与 Ultralytics YOLO26 结合使用，可以通过自动化实验跟踪、简化工作流程以及实现强大的模型管理来增强你的机器学习项目。ClearML 提供实时指标跟踪、资源利用率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过程的效率。在我们的 MLOps 集成指南中了解有关优势和流程的更多信息。

Link to this section在 YOLO26 和 ClearML 集成期间，我该如何排查常见问题？#

如果在 YOLO26 与 ClearML 集成期间遇到问题，请查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。本指南提供了分步排查说明，以有效解决这些常见问题。

Link to this section我该如何为 YOLO26 模型训练设置 ClearML 任务？#

为 YOLO26 训练设置 ClearML 任务涉及初始化任务、选择模型变体、加载模型、设置训练参数，最后开始模型训练。这是一个简化示例：

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 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)

请参阅我们的使用指南以获取这些步骤的详细分解。

Link to this section我可以在哪里查看我在 ClearML 中的 YOLO26 训练结果？#

使用 ClearML 运行 YOLO26 训练脚本后，你可以在 ClearML 结果页面上查看结果。输出将包含一个指向 ClearML 控制面板的 URL 链接，你可以在其中跟踪指标、比较实验并监控资源使用情况。有关如何查看和解释结果的更多详细信息，请查看我们关于查看 ClearML 结果页面的部分。

贡献者

GLglenn-jocher¹⁸ RIRizwanMunawar² Y-Y-T-G¹WIWillie Maddox¹LALaughing-q¹ MAMatthewNoyce¹ IVIvorZhu331¹ ABabirami-vina¹

创建于 2023年11月29日更新于 3天前