clearml
v1.16.5 - ClearML
ClearML - Suite automatique des outils pour rationaliser votre flux de travail AI
Expérience Manager, Mlops / LLMOPS et gestion des données
? ClearML is open-source - Leave a star to support the project! ?
Anciennement connu sous le nom de trains Allegro
ClearML est une suite de développement et de production ML / DL. Il contient cinq modules principaux:
Instrumenter ces composants est le ClearML-Server , voir l'auto-hébergement et l'hébergement de niveau gratuit
Inscrivez-vous et commencez à utiliser en moins de 2 minutes
Tutoriels amicaux pour vous aider à démarrer
| Étape 1 - Gestion des expériences | |
| Étape 2 - Configuration de l'agent d'exécution à distance | |
| Étape 3 - Exécuter à distance les tâches |
| Gestion des expériences | Ensembles de données |
 |  |
| Orchestration | Pipelines |
 |  |
L'ajout de seulement 2 lignes à votre code vous permet
argparse / click / pythonfire pour les paramètres de ligne de commande avec des valeurs actuellement utiliséesInscrivez-vous gratuitement au service hébergé ClearML (vous pouvez également configurer votre propre serveur, voir ici).
Clearml Demo Server: Clearml n'utilise plus le serveur de démonstration par défaut. Pour activer le serveur de démonstration, définissez la variable d'environnement
CLEARML_NO_DEFAULT_SERVER=0. Les informations d'identification ne sont pas nécessaires, mais les expériences lancées sur le serveur de démonstration sont publiques, alors assurez-vous de ne pas lancer des expériences sensibles si vous utilisez le serveur de démonstration.
Installez le package clearml Python:
pip install clearmlConnectez le SDK ClearML au serveur en créant des informations d'identification, puis exécutez la commande ci-dessous et suivez les instructions:
clearml-initAjoutez deux lignes à votre code:
from clearml import Task
task = Task . init ( project_name = 'examples' , task_name = 'hello world' )Et vous avez terminé! Tout ce que votre processus sort est désormais automatiquement connecté à ClearML.
Étape suivante, automatisation! En savoir plus sur l'automatisation en deux clics de Clearml ici .
Les composants d'exécution de ClearML:
ClearML est notre solution à un problème que nous partageons avec d'innombrables autres chercheurs et développeurs dans l'univers de l'apprentissage automatique / du Deep Learning: la formation des modèles d'apprentissage en profondeur de qualité est un processus glorieux mais désordonné. ClearML suit et contrôle le processus en associant le contrôle de la version de code, les projets de recherche, les mesures de performance et la provenance du modèle.
Nous avons conçu ClearML spécifiquement pour nécessiter une intégration sans effort afin que les équipes puissent préserver leurs méthodes et pratiques existantes.
Nous pensons que Clearml est révolutionnaire. Nous souhaitons établir de nouvelles normes de véritable intégration transparente entre la gestion des expériences, les MLOPS et la gestion des données.
ClearML est soutenu par vous et l'équipe Clear.ML, qui aide les entreprises d'entreprise à construire des MOPS évolutifs.
Nous avons construit ClearML pour suivre et contrôler le processus glorieux mais désordonné de formation de modèles d'apprentissage en profondeur de qualité de production. Nous nous engageons à soutenir et à étendre vigoureusement les capacités de ClearML.
Nous nous promettons d'être toujours compatibles en arrière, en nous assurant que tous vos journaux, données et pipelines mettront toujours à niveau avec vous.
Licence Apache, version 2.0 (voir la licence pour plus d'informations)
Si ClearML fait partie de votre processus de développement / projet / publication, veuillez nous citer ❤️:
@misc{clearml,
title = {ClearML - Your entire MLOps stack in one open-source tool},
year = {2024},
note = {Software available from http://github.com/allegroai/clearml},
url={https://clear.ml/},
author = {ClearML},
}
Pour plus d'informations, consultez la documentation officielle et sur YouTube.
Pour des exemples et des cas d'utilisation, consultez le dossier Exemples et la documentation correspondante.
Si vous avez des questions: publiez sur notre canal Slack ou étiquetez vos questions sur Stackoverflow avec la balise ' ClearML ' ( tag de train précédemment ).
Pour les demandes de fonctionnalités ou les rapports de bogues, veuillez utiliser les problèmes GitHub.
De plus, vous pouvez toujours nous trouver à [email protected]
Les PR sont toujours les bienvenus ❤️ Voir plus de détails dans les directives ClearML pour la contribution.
Que la force (et la déesse des taux d'apprentissage) soient avec vous!
