clearml

Clear|ML

ClearML - 自动魔法工具套件，简化您的AI工作流程
实验管理器、MLOps/LLMOps 和数据管理

🌟 ClearML 是开源的 - 留下一颗星来支持这个项目！🌟

^{前身为 Allegro Trains}

ClearML 是一个机器学习/深度学习开发和生产套件。它包含五个主要模块：

实验管理器 - 自动魔法般的实验跟踪、环境和结果
MLOps/LLMOps - 机器学习/深度学习/生成式AI工作的编排、自动化和流水线解决方案（Kubernetes/云/裸金属）
数据管理 - 在对象存储之上完全可微的数据管理和版本控制解决方案（S3 / GS / Azure / NAS）
模型服务 - 云准备好的可扩展模型服务解决方案！
- 在5分钟内部署新模型端点
- 包含由 Nvidia-Triton 支持的优化 GPU 服务支持
- 内置模型监控
报告 - 创建和共享支持嵌入在线内容的丰富 Markdown 文档
:fire: 编排仪表板 - 实时丰富的仪表板，用于您的整个计算集群（云/Kubernetes/本地）
新功能 💥 分数GPUs - 基于容器的、驱动级 GPU 内存限制 🙀 !!!

配备这些组件的是 ClearML-server，请参见自托管和免费托管

注册并开始使用不到 2 分钟

友好的教程帮助您快速上手

步骤 1 - 实验管理
步骤 2 - 远程执行代理设置
步骤 3 - 远程执行任务

实验管理	数据集


编排	流水线

ClearML 实验管理器

在代码中添加仅两行代码即可获得以下功能

完整的实验设置日志
完整的源代码控制信息，包括未提交的本地更改
执行环境（包括特定的软件包和版本）
超参数
- 使用argparse/Click/PythonFire管理命令行参数及其当前使用的值
- 显式参数字典
- Tensorflow 定义（absl-py）
- Hydra 配置和覆盖
完整的实验输出自动捕获
- 标准输出和标准错误
- 资源监控（CPU/GPU使用率、温度、IO、网络等）
- 模型快照（可选自动上传到中央存储：共享文件夹、S3、GS、Azure、Http）
- 工件日志和存储（共享文件夹，S3，GS，Azure，Http）
- Tensorboard/TensorboardX 标量、指标、直方图、图像、音频和视频样本
- Matplotlib & Seaborn
- ClearML Logger 界面，提供完全的灵活性。
广泛的平台支持和集成
- 支持的ML/DL框架：PyTorch（包括ignite / lightning），Tensorflow，Keras，AutoKeras，FastAI，XGBoost，LightGBM，MegEngine和Scikit-Learn
- 无缝集成（包括版本控制）Jupyter Notebook 和 PyCharm 远程调试

开始使用 ClearML

免费注册ClearML 托管服务（或者，您可以设置自己的服务器，参见此处)。

ClearML 演示服务器： ClearML 默认情况下不再使用演示服务器。要启用演示服务器，请设置 CLEARML_NO_DEFAULT_SERVER=0 > 环境变量。无需凭证，但在演示服务器上启动的实验是公开的，因此请确保不使用演示服务器启动敏感实验。
安装 clearml python包：
```
pip install clearml
```
通过创建凭证将 ClearML SDK 连接到服务器，然后执行以下命令并按照说明操作：
```
clearml-init
```

在代码中添加两行：

from clearml import Task
task = Task.init(project_name='examples', task_name='hello world')

完成了！现在，您的处理输出的一切内容都会自动记录到 ClearML 中。

接下来，自动化！了解更多关于 ClearML 的一键自动化这里。

ClearML 架构

ClearML 运行时组件：

ClearML Python 包 - 通过添加仅两行代码，将 ClearML 集成到您的现有脚本中，并可选地通过 ClearML 的强大而多功能的类和方法集扩展您的实验和其他工作流。
ClearML 服务器 - 用于存储实验、模型和工作流数据；支持 Web UI 实验管理器和 MLOps 自动化，以实现可重复性和调优。它作为托管服务和开源软件提供，您可以部署自己的 ClearML 服务器。
ClearML 代理 - 用于 MLOps 协同、实验和工作流的可重复性和可扩展性。

其他模块

clearml-session - 在任何 docker 内启动远程 JupyterLab / VSCode-server，无论是云端还是本地机器
clearml-task - 在远程机器上运行任意代码库，记录完整的远程日志，包括 Tensorboard，Matplotlib 和控制台输出
clearml-data - CLI 用于管理和版本化您的数据集，包括从 S3/GS/Azure/NAS 创建/上传/下载数据
AWS 自动扩展器 - 根据您的工作负载自动启动 EC2 实例，并具有预配置的预算！无需 AKE！
超参数优化 - 使用黑盒方法和最先进的贝叶斯优化算法优化任意代码
自动化管道 - 基于现有实验/任务构建管道，支持构建管道的管道！
Slack 集成 - 将实验进度/失败直接报告给 Slack（完全可定制！）

为什么选择 ClearML？

ClearML 是我们的解决方案，它解决了我们与众多机器学习/深度学习研究人员和开发人员共享的一个问题：训练生产级深度学习模型是一个光荣但混乱的过程。ClearML 通过关联代码版本控制、研究项目、性能指标和模型出处来跟踪和控制这个过程。

我们专门设计了 ClearML，以实现轻松集成，使团队可以保留现有的方法和实践。

日常使用它，以提升团队的协作和可见性
一键从任何实验创建远程任务
自动化流程并创建管道，以收集您的实验日志、输出和数据
使用最简单的界面，将所有数据存储在任何对象存储解决方案中
通过在 ClearML 平台上编目所有数据，使您的数据透明化

我们相信 ClearML 是具有突破性的。我们希望建立一个新标准，真正无缝集成实验管理、MLOps 和数据管理。

我们是谁

ClearML 得到了您的支持以及clear.ml 团队的支持，团队帮助企业公司构建可扩展的 MLOps。

我们构建 ClearML，以跟踪和控制训练生产级深度学习模型这个光荣但混乱的过程。我们致力于积极支持和扩展 ClearML 的功能。

我们承诺始终保持向后兼容，确保所有日志、数据和管道始终随您升级。

许可证

Apache 许可证，版本 2.0（更多信息请参见许可证）

如果 ClearML 是您开发过程/项目/出版物的一部分，请引用我们 :heart: :

@misc{clearml,
title = {ClearML - 您的完整 MLOps 堆栈的开源工具},
year = {2023},
note = {软件可从 http://github.com/allegroai/clearml 获得},
url={https://clear.ml/},
author = {ClearML},
}