DVCLiveを使用した高度なYOLO26実験トラッキング#

機械学習における実験トラッキングは、モデルの開発と評価において極めて重要です。これには、数多くのトレーニング実行から得られるさまざまなパラメータ、メトリクス、結果の記録と分析が含まれます。このプロセスは、モデルのパフォーマンスを理解し、モデルを洗練および最適化するためのデータ駆動型の決定を下すために不可欠です。

DVCLiveとUltralytics YOLO26を統合することで、実験のトラッキングと管理の方法が変革されます。この統合により、重要な実験詳細の自動ロギング、異なる実行間での結果の比較、詳細な分析のためのデータの可視化を行うためのシームレスなソリューションが提供されます。このガイドでは、プロセスを効率化するためにDVCLiveをどのように使用できるかについて説明します。

DVCLive#

DVCによって開発されたDVCLiveは、機械学習における実験トラッキングのための革新的なオープンソースツールです。GitやDVCとシームレスに統合し、モデルパラメータやトレーニングメトリクスなどの重要な実験データのロギングを自動化します。シンプルさを追求して設計されたDVCLiveにより、複数の実行の簡単な比較と分析が可能になり、直感的なデータビジュアライゼーションと分析ツールによって機械学習プロジェクトの効率が向上します。

DVCLiveを使用したYOLO26のトレーニング#

YOLO26のトレーニングセッションは、DVCLiveを使用して効果的に監視できます。さらに、DVCはこれらの実験を可視化するための統合機能を備えており、追跡されたすべての実験にわたるメトリクスプロットを比較できるレポート生成機能を通じて、トレーニングプロセスの包括的なビューを提供します。

インストール#

必要なパッケージをインストールするには、以下を実行してください。

# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclive

インストールプロセスに関する詳細な手順とベストプラクティスについては、YOLO26インストールガイドを必ずご確認ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、よくある質問ガイドを参照して解決策とヒントを確認してください。

DVCLiveの構成#

必要なパッケージをインストールしたら、次は環境に必要な認証情報を設定・構成します。このセットアップにより、既存のワークフローにDVCLiveをスムーズに統合できます。

まずGitリポジトリを初期化することから始めます。GitはコードとDVCLive構成の両方のバージョン管理において重要な役割を果たします。

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "your-email"
git config --local user.name "Your Name"

# Initialize DVCLive in your project
dvc init -q

# Commit the DVCLive setup to your Git repository
git commit -m "DVC init"

これらのコマンドでは、your-emailをGitアカウントに関連付けられたメールアドレスに、"Your Name"をGitアカウントのユーザー名に必ず置き換えてください。

使用方法#

使用方法の説明に入る前に、Ultralyticsが提供するYOLO26モデルのラインナップをぜひご確認ください。これにより、プロジェクトの要件に最も適したモデルを選択できるようになります。

DVCLiveによるYOLO26モデルのトレーニング#

YOLO26のトレーニングセッションを実行することから始めます。プロジェクトのニーズに合わせて、さまざまなモデル構成やトレーニングパラメータを使用できます。例として以下を参照してください。

# Example training commands for YOLO26 with varying configurations
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=640

特定の要件に応じて、モデル、データ、epochs、およびimgszパラメータを調整します。モデルのトレーニングプロセスとベストプラクティスについての詳細な理解については、YOLO26モデルトレーニングガイドを参照してください。

DVCLiveによる実験の監視#

DVCLiveは、主要なメトリクスのトラッキングと可視化を可能にすることで、トレーニングプロセスを強化します。インストールされると、Ultralytics YOLO26は実験トラッキングのためにDVCLiveと自動的に統合され、後でパフォーマンスのインinsight（洞察）のために分析できます。トレーニング中に使用される特定のパフォーマンスメトリクスを包括的に理解するには、パフォーマンスメトリクスに関する詳細なガイドを必ず確認してください。

結果の分析#

YOLO26のトレーニングセッションが完了したら、DVCLiveの強力な可視化ツールを活用して結果の詳細な分析を行うことができます。DVCLiveの統合により、すべてのトレーニングメトリクスが体系的に記録されるため、モデルのパフォーマンスを包括的に評価できます。

分析を開始するには、DVCのAPIを使用して実験データを抽出し、pandasで処理することで、扱いやすく可視化しやすくなります。

import dvc.api
import pandas as pd

# Define the columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean the data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display the DataFrame
print(df)

上記のコードスニペットの出力は、YOLO26モデルで実施されたさまざまな実験の明確な表形式ビューを提供します。各行は異なるトレーニング実行を表し、実験名、エポック数、画像サイズ（imgsz）、使用された特定のモデル、およびmAP50-95(B)メトリクスを詳しく示しています。このメトリクスはモデルの精度を評価するために不可欠であり、値が大きいほどパフォーマンスが優れていることを示します。

Plotlyを使用した結果の可視化#

実験結果のよりインタラクティブで視覚的な分析を行うには、Plotlyの平行座標プロットを使用できます。このタイプのプロットは、異なるパラメータとメトリクス間の関係やトレードオフを理解するのに特に役立ちます。

from plotly.express import parallel_coordinates

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

上記のコードスニペットの出力は、エポック数、画像サイズ、モデルタイプ、およびそれに対応するmAP50-95(B)スコア間の関係を視覚的に表現するプロットを生成し、実験データ内のトレンドやパターンを把握できるようにします。

DVCを使用した比較可視化の生成#

DVCは、実験の比較プロットを生成するための便利なコマンドを提供しています。これは、さまざまなトレーニング実行全体で異なるモデルのパフォーマンスを比較する際に特に役立ちます。

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

このコマンドを実行すると、DVCはさまざまな実験にわたるメトリクスを比較するプロットを生成し、HTMLファイルとして保存します。以下は、このプロセスによって生成された一般的なプロットを示すサンプル画像です。この画像には、mAP、リコール、プレシジョン、損失値などを表すものを含め、さまざまなグラフが表示され、主要なパフォーマンスメトリクスの視覚的な概要が提供されます。

DVCプロットの表示#

Jupyter Notebookを使用していて、生成されたDVCプロットを表示したい場合は、IPythonの表示機能を使用できます。

from IPython.display import HTML

# Display the DVC plots as HTML
HTML(filename="./dvc_plots/index.html")

このコードは、DVCプロットを含むHTMLファイルをJupyter Notebook内に直接レンダリングし、可視化された実験データを簡単かつ便利に分析する方法を提供します。

データに基づいた意思決定#

これらの可視化から得られたインサイトを使用して、モデルの最適化、ハイパーパラメータチューニング、およびモデルのパフォーマンスを向上させるためのその他の変更について、情報に基づいた決定を下してください。

実験の反復#

分析に基づいて実験を繰り返します。モデルの構成、トレーニングパラメータ、さらには入力データを調整し、トレーニングと分析のプロセスを繰り返します。この反復的なアプローチは、可能な限り最高のパフォーマンスを得るためにモデルを洗練させる鍵となります。

要約#

このガイドでは、DVCLiveとUltralyticsのYOLO26を統合するプロセスを説明しました。機械学習の取り組みにおいて、詳細な実験監視、効果的な可視化、洞察に満ちた分析のためにDVCLiveの力を活用する方法を学びました。

使用方法の詳細については、DVCLiveの公式ドキュメントをご覧ください。

さらに、Ultralytics統合ガイドページにアクセスして、優れたリソースやインサイトのコレクションであるUltralyticsのその他の統合と機能を確認してください。

よくある質問 (FAQ)#