使用 ClearML 训练 YOLO26:简化你的 MLOps 工作流
MLOps 弥合了在真实场景中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 与 ClearML 集成,可跟踪和管理你的目标检测模型训练。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 是一个开源 MLOps 平台,旨在自动化、监控和编排机器学习工作流。其主要功能包括:自动记录训练和推理数据以确保实验可复现;提供用于数据可视化和分析的 Web UI;提供超参数优化算法;以及支持跨平台部署的模型管理。
使用 ClearML 训练 YOLO26#
将 YOLO26 与 ClearML 集成可自动记录实验日志,让训练运行更容易复现和比较。
安装#
运行以下命令安装所需的软件包:
# 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#
安装必要的软件包后,下一步是初始化并配置 ClearML SDK。这包括设置你的 ClearML 账户,并获取用于连接开发环境和 ClearML 服务器的凭据。
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。
# 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#
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。
- 各类训练组件(如自动混合精度 (AMP))的初始化消息,以及数据集准备信息。
- 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。该功能会记录已安装的软件包和未提交的更改等重要细节。任务进入队列后,ClearML Agent会获取任务、重建环境并运行实验,然后返回详细结果。
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 的易用界面让你可以轻松克隆、编辑和将任务加入队列。用户可以克隆现有实验,通过 UI 调整参数或其他细节,然后将任务加入执行队列。这一简化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 还提供适用于 YOLO26 训练工作流的数据集版本管理功能。此功能可让你:
- 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:
-
按照标准 YOLO 结构(images、labels 等)整理数据集
-
将对应的 YAML 文件复制到数据集文件夹的根目录
-
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,你已经了解了如何在机器学习项目中使用 ClearML 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。
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。
评论
提出问题、分享结果,或帮助其他人。