使用 ClearML 训练 YOLO26：简化你的 MLOps 工作流程#

MLOps 弥合了在现实世界环境中创建和部署 machine learning 模型之间的鸿沟。它专注于高效的部署、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 YOLO26 与 ClearML 可以轻松集成，从而简化并增强你的 object detection 模型训练与管理。本指南将引导你完成集成过程，详细介绍如何设置 ClearML、管理实验、自动化模型管理以及进行高效协作。

ClearML#

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。其核心功能包括：自动记录所有训练和推理数据以实现完全的实验可复现性；直观的网络界面，便于进行 data visualization 和分析；先进的超参数 optimization algorithms；以及强大的模型管理，可在各种平台上实现高效部署。

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。

安装#

要安装所需的软件包，请运行：

# 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 Installation guide。在安装 YOLO26 所需的软件包时，如果遇到任何困难，请查阅我们的 Common Issues guide 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所需的凭据。

# Initialize your ClearML SDK setup process
clearml-init

执行此命令后，访问 ClearML Settings page。导航到右上角并选择“Settings”。进入“Workspace”部分并点击“Create new credentials”。根据是在 Jupyter Notebook 还是在本地 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。

用法#

在深入了解使用说明之前，请务必查看 YOLO26 models offered by Ultralytics。这将帮助你为你的项目需求选择最合适的模型。

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#

一旦安装并配置好 ClearML，其回调就会默认启用。它会在训练开始时创建一个任务，使用 YOLO 的 project 和 name 参数作为 ClearML 项目和任务名称，并自动连接训练参数。运行 yolo settings clearml=False 可以禁用该集成。有关训练选项和最佳实践，请参阅 YOLO26 Model Training guide。

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 Mixed Precision (AMP) 和数据集准备）的初始化消息。
• 最后，训练过程开始，随着模型在指定数据集上的训练，会提供进度更新。为了深入理解训练期间使用的性能指标，请阅读our guide on performance metrics。

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。

ClearML 结果页面的主要功能#

• 实时指标跟踪

  • 实时跟踪关键指标，例如损失、accuracy 和验证分数。
  • 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hyperparameter tuning和识别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model deployment和共享。

要直观了解 ClearML 结果页面的外观，请观看下面的视频：

ClearML 中的高级功能#

ClearML 提供多项高级功能来增强你的 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现和操作实验。它会记录重要细节，例如已安装的包和未提交的更改。当任务进入队列时，ClearML Agent 会拉取该任务，重建环境并运行实验，最后返回详细的结果。

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，自动化代理的部署并根据你的资源预算调整资源。

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。

数据集版本管理#

ClearML 还提供强大的dataset version management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：

1. 使用标准 YOLO 结构（图像、标签等）组织你的数据集

2. 将对应的 YAML 文件复制到你的数据集文件夹根目录

3. 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。

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's official YOLOv8 integration guide，该指南同样适用于 YOLO26 工作流。

此外，通过访问 Ultralytics integration guide page 探索 Ultralytics 的更多集成和功能，这里汇集了丰富的资源和见解。

常见问题解答#