模型

ClearML 支持跟踪、更新和可视化模型。

模型在ClearML中作为实验工件存储，但与依赖于其创建任务的其他工件不同，模型是具有自己唯一ID的独立实体。模型可以直接通过模型对象访问，也可以通过其创建任务间接访问。这一特性使模型成为一个独立的条目，可以用作工件库接口。

自动记录模型​

一旦集成到代码中，ClearML 会自动记录和跟踪由以下框架创建的模型和任何快照：

• TensorFlow
• Keras
• PyTorch
• scikit-learn (仅使用 joblib)
• XGBoost (仅使用 joblib)
• Fast.ai
• MegEngine
• CatBoost
• MONAI

当支持的框架加载权重文件时，正在运行的任务将自动更新，其输入模型直接指向原始训练任务的模型。

手动记录模型​

输出模型​

ClearML 将训练结果存储为输出模型。OutputModel 对象通过任务对象作为参数实例化（参见 task 参数），因此它会自动注册为任务的输出模型。由于 OutputModel 对象与任务相关联，这些模型在实验中是可追踪的。

输出模型是读写模式的，因此权重可以在整个训练过程中更新。此外，用户可以指定模型的网络设计和标签枚举。一旦输出模型被注册，它就可以用作另一个实验的输入模型。

手动上传模型的快照不会自动捕获，但ClearML提供了通过Task或OutputModel对象更新它们的方法。

输入模型​

ClearML 提供了显式连接输入模型和实验的灵活性，包括：

• 从外部来源导入预训练模型，如Amazon AWS、GIT仓库、PyTorch和TensorFlow
• 使用之前运行的实验中已在ClearML注册的独立模型
• 在脚本中定义自己的输入模型

设置上传目标​

• ClearML 自动捕获由支持的框架创建的模型的存储路径。默认情况下，它存储它们保存到的本地路径。
• 上传目的地可以在每个OutputModel或每个实验的基础上明确指定。或者，所有OutputModels的上传目的地可以在ClearML 配置文件中指定。

WebApp 界面​

在ClearML的Web UI中，可以通过项目的模型表或通过模型的创建任务来定位模型信息。

与任务相关的模型会出现在任务的ARTIFACTS标签中。要查看更多的模型详细信息，包括设计、标签枚举、血统和一般信息，请点击模型名称，这是一个指向模型详情页面的超链接。

模型也可以通过它们关联项目的模型表访问，其中列出了与项目关联的所有模型。

SDK 接口​

请参阅模型SDK接口以了解如何使用模型类的最基本Python方法。在模型、输出模型和输入模型参考页面中查看所有可用方法的详细列表。