ClearML ile YOLO11 Eğitimi: MLOps İş Akışınızı Kolaylaştırma
MLOps, gerçek dünya ortamlarında makine öğrenimi modelleri oluşturma ve dağıtma arasındaki boşluğu doldurur. Modellerin pratik uygulamalarda iyi performans göstermesini sağlamak için verimli dağıtım, ölçeklenebilirlik ve sürekli yönetime odaklanır.
Ultralytics YOLO11, nesne algılama modelinizin eğitimini ve yönetimini kolaylaştırarak ve geliştirerek ClearML ile zahmetsizce entegre olur. Bu kılavuz, ClearML'nin nasıl kurulacağını, deneylerin nasıl yönetileceğini, model yönetiminin nasıl otomatikleştirileceğini ve etkili bir şekilde nasıl işbirliği yapılacağını ayrıntılarıyla açıklayarak entegrasyon sürecinde size yol gösterecektir.
ClearML
ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için ustalıkla tasarlanmış yenilikçi bir açık kaynaklı MLOps platformudur. Temel özellikleri arasında tam deney tekrarlanabilirliği için tüm eğitim ve çıkarım verilerinin otomatik olarak günlüğe kaydedilmesi, kolay veri görselleştirme ve analizi için sezgisel bir web kullanıcı arayüzü, gelişmiş hiperparametre optimizasyon algoritmaları ve çeşitli platformlarda verimli dağıtım için sağlam model yönetimi yer alır.
ClearML ile YOLO11 Eğitimi
YOLO11'i ClearML ile entegre ederek eğitim sürecinizi iyileştirerek makine öğrenimi iş akışınıza otomasyon ve verimlilik getirebilirsiniz.
Kurulum
Gerekli paketleri kurmak için şunu çalıştırın:
Kurulum
# Install the required packages for YOLO11 and ClearML
pip install ultralytics clearml
Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO11 Kurulum kılavuzumuza göz atmayı unutmayın. YOLO11 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar kılavuzumuza başvurun.
ClearML'yi Yapılandırma
Gerekli paketleri yükledikten sonra, bir sonraki adım ClearML SDK'nızı başlatmak ve yapılandırmaktır. Bu, ClearML hesabınızı kurmayı ve geliştirme ortamınız ile ClearML sunucusu arasında sorunsuz bir bağlantı için gerekli kimlik bilgilerini almayı içerir.
Ortamınızda ClearML SDK'sını başlatarak başlayın. 'clearml-init' komutu kurulum sürecini başlatır ve sizden gerekli kimlik bilgilerini ister.
Başlangıç SDK Kurulumu
# Initialize your ClearML SDK setup process
clearml-init
Bu komutu çalıştırdıktan sonra, ClearML Ayarlar sayfasına gidin. Sağ üst köşeye gidin ve "Ayarlar"ı seçin. "Çalışma Alanı" bölümüne gidin ve "Yeni kimlik bilgileri oluştur"a tıklayın. ClearML'yi bir Jupyter Notebook'ta mı yoksa yerel bir Python ortamında mı yapılandırdığınıza bağlı olarak, kurulumu talimatlara göre tamamlamak için "Kimlik Bilgileri Oluştur" açılır penceresinde sağlanan kimlik bilgilerini kullanın.
Kullanım
Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO11 modelleri yelpazesine göz atmayı unutmayın. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.
Kullanım
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)
Kodu Anlama
Yukarıdaki kullanım kodu parçasında gösterilen adımları anlayalım.
Adım 1: Bir ClearML Görevi Oluşturma: ClearML'de projenizi ve görev adlarınızı belirten yeni bir görev başlatılır. Bu görev, modelinizin eğitimini izleyecek ve yönetecek.
Adım 2: YOLO11 Modelini Seçme: Şunu model_variant değişkeni, YOLO11 modellerinden biri olan 'yolo11n' olarak ayarlanmıştır. Bu varyant daha sonra izleme için ClearML'ye kaydedilir.
Adım 3: YOLO11 Modelini Yükleme: Seçilen YOLO11 modeli, Ultralytics'in YOLO sınıfı kullanılarak yüklenir ve eğitime hazırlanır.
Adım 4: Eğitim Argümanlarını Ayarlama: Veri kümesi ( gibi temel eğitim argümanlarıcoco8.yaml) ve sayısı epok (16) bir sözlükte düzenlenir ve ClearML görevine bağlanır. Bu, ClearML UI aracılığıyla izleme ve potansiyel değişiklik yapılmasına olanak tanır. Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için şuraya bakın: YOLO11 Model Eğitim kılavuzu.
Adım 5: Model Eğitimini Başlatma: Model eğitimi belirtilen argümanlarla başlatılır. Eğitim sürecinin sonuçları, içinde yakalanır. results değişkeni.
Çıktıyı Anlama
Yukarıdaki kullanım kodu parçacığını çalıştırdıktan sonra, aşağıdaki çıktıyı bekleyebilirsiniz:
- Yeni bir ClearML görevinin oluşturulduğunu ve benzersiz kimliğini belirten bir onay mesajı.
- Komut dosyası kodunun depolandığına dair bilgilendirici bir mesaj; kod yürütmesinin ClearML tarafından izlendiğini belirtir.
- Eğitim ilerlemesini izleyebileceğiniz ve ayrıntılı günlükleri görüntüleyebileceğiniz ClearML sonuç sayfasına bir URL bağlantısı.
- YOLO11 modeli ve belirtilen veri kümesi için indirme ilerlemesi, ardından model mimarisinin ve eğitim yapılandırmasının bir özeti.
- TensorBoard, Otomatik Karışık Duyarlılık (AMP) ve veri kümesi hazırlığı gibi çeşitli eğitim bileşenleri için başlatma mesajları.
- Son olarak, eğitim süreci başlar ve model belirtilen veri kümesi üzerinde eğitilirken ilerleme güncellemeleri sağlanır. Eğitim sırasında kullanılan performans metrikleri hakkında derinlemesine bilgi edinmek için performans metrikleri kılavuzumuzu okuyun.
ClearML Sonuç Sayfasını Görüntüleme
Kullanım kodu parçasının çıktısında ClearML sonuçları sayfasına giden URL bağlantısına tıklayarak, modelinizin eğitim sürecinin kapsamlı bir görünümüne erişebilirsiniz.
ClearML Sonuç Sayfasının Temel Özellikleri
-
Gerçek Zamanlı Metrik İzleme
- Kayıp, doğruluk ve doğrulama skorları gibi kritik metrikleri meydana geldikçe izleyin.
- Zamanında model performansı ayarlamaları için anında geri bildirim sağlar.
-
Deney Karşılaştırması
- Farklı eğitim çalıştırmalarını yan yana karşılaştırın.
- Hiperparametre ayarlama ve en etkili modelleri belirlemek için önemlidir.
-
Detaylı Kayıtlar ve Çıktılar
- Kapsamlı günlüklere, metriklerin grafiksel gösterimlerine ve konsol çıktılarına erişin.
- Model davranışını ve sorun çözümünü daha derinlemesine anlayın.
-
Kaynak Kullanım İzleme
- CPU, GPU ve bellek dahil olmak üzere, hesaplama kaynaklarının kullanımını izleyin.
- Eğitim verimliliğini ve maliyetlerini optimize etmenin anahtarı.
-
Model Artefakt Yönetimi
- Eğitilmiş modeller ve kontrol noktaları gibi model yapılarını görüntüleyin, indirin ve paylaşın.
- İşbirliğini geliştirir ve model dağıtımını ve paylaşımını kolaylaştırır.
ClearML Sonuçlar Sayfasının nasıl göründüğüne dair görsel bir inceleme için aşağıdaki videoyu izleyin:
İzle: ClearML kullanarak YOLO11 MLOps Entegrasyonu
ClearML'deki Gelişmiş Özellikler
ClearML, MLOps deneyiminizi geliştirmek için çeşitli gelişmiş özellikler sunar.
Uzaktan Yürütme
ClearML'in uzaktan yürütme özelliği, deneylerin farklı makinelerde yeniden üretilmesini ve manipüle edilmesini kolaylaştırır. Yüklü paketler ve işlenmemiş değişiklikler gibi temel ayrıntıları kaydeder. Bir görev sıraya alındığında, ClearML Aracısı onu çeker, ortamı yeniden oluşturur ve deneyi çalıştırır, ayrıntılı sonuçlarla geri bildirimde bulunur.
Bir ClearML Aracısı dağıtmak basittir ve aşağıdaki komut kullanılarak çeşitli makinelerde yapılabilir:
clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]
Bu kurulum, bulut VM'lerine, yerel GPU'lara veya dizüstü bilgisayarlara uygulanabilir. ClearML Otomatik Ölçeklendiriciler, AWS, GCP ve Azure gibi platformlarda bulut iş yüklerini yönetmeye, aracıların dağıtımını otomatikleştirmeye ve kaynak bütçenize göre kaynakları ayarlamaya yardımcı olur.
Klonlama, Düzenleme ve Sıraya Alma
ClearML'in kullanıcı dostu arayüzü, görevlerin kolayca klonlanmasına, düzenlenmesine ve sıraya alınmasına olanak tanır. Kullanıcılar mevcut bir deneyi klonlayabilir, parametreleri veya diğer ayrıntıları kullanıcı arayüzü aracılığıyla ayarlayabilir ve görevi yürütme için sıraya alabilir. Bu akıcı süreç, görevi yürüten ClearML Aracısının güncellenmiş yapılandırmaları kullanmasını sağlayarak yinelemeli deneyler ve model ince ayarı için ideal hale getirir.
Veri Kümesi Sürüm Yönetimi
ClearML ayrıca YOLO11 eğitim iş akışlarıyla sorunsuz bir şekilde entegre olan güçlü veri kümesi sürüm yönetimi yetenekleri sunar. Bu özellik şunları yapmanızı sağlar:
- Veri kümelerinizin sürümlerini kodunuzdan ayrı tutun
- Her deney için hangi veri kümesi sürümünün kullanıldığını izleyin
- En son veri kümesi sürümüne kolayca erişin ve indirin
Veri kümenizi ClearML için hazırlamak için şu adımları izleyin:
- Veri kümenizi standart YOLO yapısıyla düzenleyin (görüntüler, etiketler, vb.)
- İlgili YAML dosyasını veri kümesi klasörünüzün kök dizinine kopyalayın
-
Veri kümenizi ClearML Veri aracını kullanarak yükleyin:
cd your_dataset_folder clearml-data sync --project YOLOv11 --name your_dataset_name --folder .
Bu komut, eğitim komut dosyalarınızda başvurulabilecek, yeniden üretilebilirliği ve verilerinize kolay erişimi sağlayan ClearML'de sürüm kontrollü bir veri kümesi oluşturacaktır.
Özet
Bu kılavuz, ClearML'nin Ultralytics'in YOLO11'i ile entegre edilmesi sürecinde size yol göstermiştir. İlk kurulumdan gelişmiş model yönetimine kadar her şeyi kapsayarak, makine öğrenimi projelerinizde verimli eğitim, deney takibi ve iş akışı optimizasyonu için ClearML'den nasıl yararlanacağınızı keşfettiniz.
Kullanım hakkında daha fazla bilgi için ClearML'nin resmi dokümantasyonunu ziyaret edin.
Ek olarak, bir kaynak ve içgörü hazinesi olan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneklerini keşfedin.
SSS
Ultralytics YOLO11'in ClearML ile entegre edilme süreci nedir?
Ultralytics YOLO11'i ClearML ile entegre etmek, MLOps iş akışınızı kolaylaştırmak için bir dizi adım içerir. İlk olarak, gerekli paketleri yükleyin:
pip install ultralytics clearml
Ardından, ortamınızda ClearML SDK'sını kullanarak başlatın:
clearml-init
Ardından, ClearML Ayarları sayfasından kimlik bilgilerinizle ClearML'yi yapılandırın. Model seçimi ve eğitim yapılandırmaları da dahil olmak üzere tüm kurulum süreciyle ilgili ayrıntılı talimatlar YOLO11 Model Eğitimi kılavuzumuzda bulunabilir.
Makine öğrenimi projelerim için neden Ultralytics YOLO11 ile ClearML'i kullanmalıyım?
ClearML'i Ultralytics YOLO11 ile kullanmak, deney takibini otomatikleştirerek, iş akışlarını kolaylaştırarak ve sağlam model yönetimi sağlayarak makine öğrenimi projelerinizi geliştirir. ClearML, gerçek zamanlı metrik takibi, kaynak kullanım izleme ve deneyleri karşılaştırmak için kullanıcı dostu bir arayüz sunar. Bu özellikler, modelinizin performansını optimize etmeye ve geliştirme sürecini daha verimli hale getirmeye yardımcı olur. MLOps Entegrasyon kılavuzumuzda faydaları ve prosedürler hakkında daha fazla bilgi edinin.
YOLO11 ve ClearML entegrasyonu sırasında karşılaşılan yaygın sorunları nasıl gideririm?
YOLO11'in ClearML ile entegrasyonu sırasında sorunlarla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar kılavuzumuza danışın. Tipik sorunlar, paket kurulum hataları, kimlik bilgisi kurulumu veya yapılandırma sorunlarını içerebilir. Bu kılavuz, bu yaygın sorunları verimli bir şekilde çözmek için adım adım sorun giderme talimatları sağlar.
YOLO11 model eğitimi için ClearML görevini nasıl ayarlarım?
YOLO11 eğitimi için bir ClearML görevi ayarlamak, bir görevi başlatmayı, model varyantını seçmeyi, modeli yüklemeyi, eğitim argümanlarını ayarlamayı ve son olarak model eğitimini başlatmayı içerir. İşte basitleştirilmiş bir örnek:
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)
Bu adımların ayrıntılı bir dökümü için Kullanım kılavuzumuza bakın.
ClearML'de YOLO11 eğitimimin sonuçlarını nerede görüntüleyebilirim?
ClearML ile YOLO11 eğitim komut dosyanızı çalıştırdıktan sonra, sonuçları ClearML sonuçlar sayfasında görüntüleyebilirsiniz. Çıktı, ölçümleri izleyebileceğiniz, deneyleri karşılaştırabileceğiniz ve kaynak kullanımını izleyebileceğiniz ClearML panosuna bir URL bağlantısı içerecektir. Sonuçları görüntüleme ve yorumlama hakkında daha fazla bilgi için ClearML Sonuçlar Sayfasını Görüntüleme bölümümüze bakın.
