Ultralyticsを使用したK-Fold交差検証#

はじめに#

この包括的なガイドでは、Ultralyticsエコシステム内での物体検出データセットに対するK分割交差検証（K-Fold Cross Validation）の実装について解説します。YOLO検出フォーマットや、sklearn、pandas、PyYAMLなどの主要なPythonライブラリを活用して、必要なセットアップ、特徴量ベクトルの生成プロセス、およびK分割データセットの分割の実行手順を順に説明します。

プロジェクトがFruit Detectionデータセットを使う場合でもカスタムデータソースを使う場合でも、このチュートリアルはmachine learningモデルの信頼性と堅牢性を高めるために、K-Fold交差検証を理解して適用するのに役立つことを目的としています。このチュートリアルではk=5分割を適用しますが、最適な分割数はデータセットやプロジェクトの詳細によって異なる場合があることに留意してください。K-Fold交差検証は、データセットが小さい、ノイズが多い、または変動が大きい場合に最大の価値を発揮します。大規模で多様なデータセットの場合は、通常、適切に構築されたtrain/val/test分割で十分です。

それでは始めましょう。

セットアップ#

• アノテーションはYOLO検出フォーマットである必要があります。

• このガイドでは、アノテーションファイルがローカルで利用可能であることを前提としています。

• このデモンストレーションでは、Fruit Detectionデータセットを使用します。

  • このデータセットには合計8479枚の画像が含まれています。
  • 6つのクラスラベルが含まれており、各インスタンス数は以下の通りです。

• 必要なPythonパッケージは以下の通りです：

  • ultralytics
  • sklearn
  • pandas
  • pyyaml

• このチュートリアルではk=5分割を使用します。ただし、特定のデータセットに最適な分割数を決定する必要があります。

1. プロジェクト用に新しいPython仮想環境（venv）を開始し、有効化します。pip（または好みのパッケージマネージャー）を使用して以下をインストールします：

   • Ultralyticsライブラリ：pip install -U ultralytics。または、公式リポジトリをクローンすることもできます。
   • Scikit-learn、pandas、およびPyYAML：pip install -U scikit-learn pandas pyyaml。

2. アノテーションがYOLO検出フォーマットであることを確認してください。

   • このチュートリアルでは、すべてのアノテーションファイルがFruit-Detection/labelsディレクトリにあります。

物体検出データセット用の特徴ベクトル生成#

1. 以下の手順を実行するために、新しいexample.py Pythonファイルを作成することから始めます。

2. パッケージのデータセットオーナー経由で設定済みのトレーニング画像と検証画像をロードし、テストスプリットはそのまま残します。

   from pathlib import Path
   
   from ultralytics.data.dataset import YOLODataset
   from ultralytics.data.utils import check_det_dataset
   
   yaml_file = "path/to/data.yaml"
   data = check_det_dataset(yaml_file)
   dataset_path = Path(data["path"])
   sources = []
   for split in ("train", "val"):
       source = data.get(split)
       if source:
           sources.extend(source if isinstance(source, list) else [source])
   dataset = YOLODataset(sources, data=data, augment=False)
   images = [Path(p) for p in dataset.im_files]

3. 次に、データセットのYAMLファイルの内容を読み取り、クラスラベルのインデックスを抽出します。

   classes = data["names"]
   cls_idx = sorted(classes.keys())

4. 空のpandas DataFrameを初期化します。

   import pandas as pd
   
   labels_df = pd.DataFrame(0.0, columns=cls_idx, index=images)

5. アノテーションファイルに存在する各クラスラベルのインスタンス数をカウントします。

   from collections import Counter
   
   for image, label in zip(images, dataset.labels):
       lbl_counter = Counter(label["cls"].flatten().astype(int))
       labels_df.loc[image, list(lbl_counter)] = list(lbl_counter.values())

6. 以下は、データを格納したDataFrameのサンプルビューです：

                                                          0    1    2    3    4    5
   '0000a16e4b057580_jpg.rf.00ab48988370f64f5ca8ea4...'  0.0  0.0  0.0  0.0  0.0  7.0
   '0000a16e4b057580_jpg.rf.7e6dce029fb67f01eb19aa7...'  0.0  0.0  0.0  0.0  0.0  7.0
   '0000a16e4b057580_jpg.rf.bc4d31cdcbe229dd022957a...'  0.0  0.0  0.0  0.0  0.0  7.0
   '00020ebf74c4881c_jpg.rf.508192a0a97aa6c4a3b6882...'  0.0  0.0  0.0  1.0  0.0  0.0
   '00020ebf74c4881c_jpg.rf.5af192a2254c8ecc4188a25...'  0.0  0.0  0.0  1.0  0.0  0.0
    ...                                                  ...  ...  ...  ...  ...  ...
   'ff4cd45896de38be_jpg.rf.c4b5e967ca10c7ced3b9e97...'  0.0  0.0  0.0  0.0  0.0  2.0
   'ff4cd45896de38be_jpg.rf.ea4c1d37d2884b3e3cbce08...'  0.0  0.0  0.0  0.0  0.0  2.0
   'ff5fd9c3c624b7dc_jpg.rf.bb519feaa36fc4bf630a033...'  1.0  0.0  0.0  0.0  0.0  0.0
   'ff5fd9c3c624b7dc_jpg.rf.f0751c9c3aa4519ea3c9d6a...'  1.0  0.0  0.0  0.0  0.0  0.0
   'fffe28b31f2a70d4_jpg.rf.7ea16bd637ba0711c53b540...'  0.0  6.0  0.0  0.0  0.0  0.0

行には絶対画像パスが使用され、列はクラスラベルのインデックスに対応します。欠損ラベルはすべてゼロの背景行のままになります。このデータ構造により、K-Fold Cross Validationをオブジェクト検出データセットに適用できるようになります。

K-Foldデータセット分割#

1. 次に、sklearn.model_selection から KFold クラスを使用して、データセットの k 分割を生成します。

   • 重要：
     • shuffle=Trueを設定することで、分割におけるクラスのランダムな分布が保証されます。
     • M が選択した整数である場合に random_state=M を設定することで、再現可能な結果を得ることができます。

   from sklearn.model_selection import KFold
   
   ksplit = 5
   kf = KFold(n_splits=ksplit, shuffle=True, random_state=20)  # setting random_state for repeatable results
   
   kfolds = list(kf.split(labels_df))

2. データセットは現在k分割に分割されており、それぞれがtrainとvalのインデックスのリストを持っています。これらの結果をよりわかりやすく表示するためにDataFrameを構築します。

   folds = [f"split_{n}" for n in range(1, ksplit + 1)]
   folds_df = pd.DataFrame(index=labels_df.index, columns=folds)
   
   for i, (train, val) in enumerate(kfolds, start=1):
       folds_df.loc[labels_df.index[train], f"split_{i}"] = "train"
       folds_df.loc[labels_df.index[val], f"split_{i}"] = "val"

3. 次に、valに存在するクラスとtrainに存在するクラスの比率として、各分割のクラスラベルの分布を計算します。

   fold_lbl_distrb = pd.DataFrame(index=folds, columns=cls_idx)
   
   for n, (train_indices, val_indices) in enumerate(kfolds, start=1):
       train_totals = labels_df.iloc[train_indices].sum()
       val_totals = labels_df.iloc[val_indices].sum()
   
       # To avoid division by zero, we add a small value (1E-7) to the denominator
       ratio = val_totals / (train_totals + 1e-7)
       fold_lbl_distrb.loc[f"split_{n}"] = ratio

   理想的には、すべてのクラス比率が各分割間およびクラス間で妥当な程度に類似していることが望ましいですが、これはデータセットの特性に依存します。

4. 各スプリットの画像リストとデータセットYAMLを作成します。テキストリストを使用することで、データセットをk回コピーするのを回避できます。

   import yaml
   
   save_path = dataset_path.parent / f"{ksplit}-Fold_Cross-val"
   save_path.mkdir(parents=True, exist_ok=True)
   ds_yamls = []
   
   for split in folds_df.columns:
       for partition in ("train", "val"):
           split_images = folds_df.index[folds_df[split] == partition]
           paths = "\n".join(map(str, split_images))
           (save_path / f"{split}_{partition}.txt").write_text(f"{paths}\n")
   
       dataset_yaml = save_path / f"{split}.yaml"
       ds_yamls.append(dataset_yaml)
       with open(dataset_yaml, "w") as ds_y:
           yaml.safe_dump(
               {
                   "path": save_path.as_posix(),
                   "train": f"{split}_train.txt",
                   "val": f"{split}_val.txt",
                   "names": classes,
               },
               ds_y,
           )

レコードの保存（オプション）#

オプションとして、K-Fold分割およびラベル分布のDataFrameレコードをCSVファイルとして保存し、今後の参照用に使用できます。

folds_df.to_csv(save_path / "kfold_datasplit.csv")
fold_lbl_distrb.to_csv(save_path / "kfold_label_distribution.csv")

K-Foldデータ分割を使用したYOLOの学習#

1. まず、YOLOモデルを読み込みます。

   from ultralytics import YOLO
   
   weights_path = "path/to/weights.pt"  # use yolo26n.pt for a small model
   model = YOLO(weights_path, task="detect")

2. 次に、データセットのYAMLファイルを反復処理してトレーニングを実行します。結果は、projectおよびname引数で指定されたディレクトリに保存されます。デフォルトでは、このディレクトリは「runs/detect/train#」（#は整数インデックス）です。

   results = {}
   
   # Define your additional arguments here
   batch = 16
   project = "kfold_demo"
   epochs = 100
   
   for k, dataset_yaml in enumerate(ds_yamls):
       model = YOLO(weights_path, task="detect")
       results[k] = model.train(
           data=dataset_yaml, epochs=epochs, batch=batch, project=project, name=f"fold_{k + 1}"
       )  # include any additional train arguments

3. 自動データセット分割には、Ultralytics data.split.autosplit関数を使用することもできます：

   from ultralytics.data.split import autosplit
   
   # Automatically split dataset into train/val/test
   autosplit(path="path/to/images", weights=(0.8, 0.2, 0.0), annotated_only=True)

結論#

本ガイドでは、K-Foldクロスバリデーションを使用してYOLOオブジェクト検出モデルをトレーニングするプロセスについて解説しました。トレーニングおよび検証プールをK個のパーティションに分割する方法と、生成された比率テーブルを使用してランダム分割後のクラスバランスを確認する方法を学びました。

また、データ分割とラベル分布を可視化するためのレポートDataFrameを作成する手順を学び、訓練セットと検証セットの構造を明確に把握することができました。

オプションとして、将来の参照用にレコードを保存しました。これは大規模プロジェクトやモデルのパフォーマンスに関するトラブルシューティングを行う際に特に役立ちます。

最後に、ループ内で各分割を使用して実際のモデル学習を実行し、さらなる分析と比較のために学習結果を保存しました。

このK分割交差検証のテクニックは、利用可能なデータを最大限に活用するための堅牢な方法であり、さまざまなデータサブセット間でモデルのパフォーマンスが信頼性高く一貫していることを保証するのに役立ちます。これにより、特定のデータパターンに過学習しにくい、より汎用性が高く信頼性の高いモデルが実現します。

このガイドではYOLOを使用しましたが、これらの手順は他の機械学習モデルにもほとんど適用可能です。これらの手順を理解することで、自身の機械学習プロジェクトで効果的に交差検証を適用できるようになります。

よくある質問 (FAQ)#