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不可欠です。多くのトレーニング実行から得られる各種パラメーター、メトリクス、結果を記録して分析します。このプロセスは、モデルのパフォーマンスを把握し、モデルの改良と最適化に向けたデータに基づく意思決定を行ううえで重要です。

DVCLiveをUltralytics YOLO26と統合すると、実験の追跡と管理の方法が変わります。この統合により、主要な実験の詳細を自動的に記録し、異なる実行間で結果を比較し、データを可視化して詳細に分析するシームレスなソリューションが得られます。このガイドでは、DVCLiveを使用してプロセスを効率化する方法を説明します。

DVCLive#

DVCが開発したDVCLiveは、機械学習の実験トラッキングに使える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、モデルのパラメーターやトレーニングメトリクスなど、重要な実験データの記録を自動化します。シンプルさを重視したDVCLiveにより、複数の実行を簡単に比較・分析でき、直感的なデータ可視化ツールや分析ツールで機械学習プロジェクトの効率を高められます。

DVCLiveを使用したYOLO26のトレーニング#

DVCLiveを使ってYOLO26のトレーニングセッションを効果的にモニタリングできます。また、DVCはこれらの実験を可視化するための重要な機能を提供します。追跡対象のすべての実験についてメトリクスのプロットを比較できるレポートを生成し、トレーニングプロセスの全体像を把握できます。

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、次を実行します。

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

インストール手順とベストプラクティスの詳細については、YOLO26インストールガイドをご確認ください。YOLO26に必要なパッケージのインストールで問題が発生した場合は、解決策とヒントを掲載したよくある問題のガイドをご覧ください。

DVCLiveの設定#

必要なパッケージをインストールしたら、次に必要な認証情報を使って環境をセットアップし、設定します。この設定により、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します。Gitは、コードとDVCLive設定の両方のバージョン管理で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 DVC in your project
dvc init -q

# Commit the DVC 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置き換えてください。

使用方法#

使い方の説明に進む前に、Ultralyticsが提供するYOLO26モデルをご確認ください。プロジェクトの要件に最適なモデルを選ぶのに役立ちます。

DVCLiveを使用したYOLO26モデルのトレーニング#

まずYOLO26のトレーニングセッションを実行します。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ーを使用できます。例:

# 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

モデル、データ、エポック数、およびimgszパラメーターは、具体的な要件に応じて調整してください。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詳しく知るには、YOLO26モデルのトレーニングガイドを参照してください。

DVCLiveを使用した実験のモニタリング#

DVCLiveは、主要なメトリクスの追跡と可視化を可能にし、トレーニングプロセスを強化します。インストールすると、Ultralytics YOLO26は実験追跡のためにDVCLiveと自動的に連携し、後から分析してパフォーマンスに関する知見を得ることができます。トレーニング中に使用される具体的なパフォーマンスメトリクスを詳しく理解するには、パフォーマンスメトリクスに関する詳細ガイドをご覧ください。

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、結果を詳しく分析できます。DVCLiveとの連携により、すべてのトレーニングメトリクスが体系的に記録され、モデルのパフォーマンスを包括的に評価できます。

分析を始めるには、DVCのAPIを使って実験データを抽出し、扱いやすく可視化しやすいようにPandasで処理します。

import dvc.api
import pandas as pd

# 対象の列を定義します
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# 実験データを取得します
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# データをクリーンアップします
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# DataFrameを表示します
print(df)

上記のコードスニペットの出力では、YOLO26モデルを使って実施したさまざまな実験を、わかりやすい表形式で確認できます。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）、使用したモデル、mAP50-95(B)メトリクスを示しています。このメトリクスはモデルの精度評価に重要で、値が高いほどパフォーマンスが優れていることを示します。

Plotlyで結果を可視化する#

実験結果をよりインタラクティブに視覚的に分析するには、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、異なるパラメーターとメトリクス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

# 平行座標プロットを作成します
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# プロットを表示します
fig.show()

上記のコードスニペットを実行すると、エポック数、画像サイズ、モデルタイプと、それぞれに対応するmAP50-95(B)スコアの関係を視覚的に示すプロットが生成され、実験データの傾向やパターンを見つけやすくなります。

DVCで比較用の可視化を生成する#

DVCには、実験の比較プロットを生成する便利なコマンドがあります。さまざまなトレーニング実行における複数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は異なる実験間で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、この処理で生成される一般的なプロットを示す画像の例です。この画像には、mAP、再現率、適合率、損失値などを表すさまざまなグラフが含まれており、主要なパフォーマンスメトリクスを視覚的に確認できます。

DVCのプロットを表示する#

Jupyter Notebookを使用していて、生成されたDVCのプロットを表示する場合は、IPythonのdisplay機能を使用できます。

from IPython.display import HTML

# DVCのプロットをHTMLとして表示します
HTML(filename="./dvc_plots/index.html")

このコードは、DVCのプロットを含むHTMLファイルをJupyter Notebook内に直接描画し、可視化された実験データを簡単かつ便利に分析できるようにします。

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知見を活用して、モデルの最適化、ハイパーパラメーターのチューニング、その他の変更について十分な情報に基づいて判断し、モデルのパフォーマンスを向上させましょう。

実験を繰り返す#

分析結果に基づいて、実験を繰り返します。モデル構成、トレーニングパラメーター、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再度実行します。この反復的なアプローチは、モデルを改良し、可能な限り最高のパフォーマンスを実現するうえで重要です。

概要#

このガイドでは、DVCLiveをUltralyticsのYOLO26と連携する手順を説明しました。機械学習の取り組みにおいて、DVCLiveを活用した詳細な実験モニタリング、効果的な可視化、有益な分析の方法を学びました。

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、優れたリソースや知見をまとめたUltralyticsの連携ガイドページで、Ultralyticsのその他の連携機能や機能についてもご確認ください。

よくある質問#