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の追跡は、モデルの開発と評価に不可欠です。多数のトレーニング実行からさまざまなパラメーター、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理解し、データに基づいてモデルを改善・最適化する判断を行ううえで重要です。
DVCLiveをUltralytics YOLO26と連携すると、実験の主要な詳細が自動で記録され、実行間の結果を比較し、詳細な分析のためにデータを可視化できます。このガイドでは、連携のセットアップと使用方法を説明します。
DVCLive#
DVCが開発したDVCLiveは、機械学習の実験追跡に使えるオープンソースツールです。GitおよびDVCと連携して、モデルパラメーターやトレーニングメトリクスなどの実験データのロギングを自動化し、データ可視化や分析ツールを使って複数の実行を簡単に比較・分析できます。
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で監視できます。DVCには、追跡対象となったすべての実験のメトリクスプロットを比較するレポートなど、実験を可視化するツールも用意されています。
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、DVCLiveがコードと併せて実験を記録できるよう、プロジェクト環境をセットアップします。
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#
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を使用すると、主要なメトリクスを追跡して可視化でき、トレーニングプロセスを強化できます。DVCLiveをインストールすると、コールバックはデフォルトで有効になります。トレーニング引数、エポックごとの損失、検証メトリクス、学習率、トレーニングおよび検証のプロット、混同行列、およびモデルアーティファクトとしてのbest.ptが記録されます。統合を無効にするには、yolo settings dvc=Falseを実行します。トレーニングで使用するパフォーマンスメトリクスについて詳しく理解するには、パフォーマンスメトリクスの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の可視化ツールを使用して結果を分析できます。連携機能によってすべてのトレーニングメトリクスが記録されるため、実行間でモデルのパフォーマンスを評価できます。
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モデルで実施したさまざまな実験を表形式で明確に確認できます。各行は異なる学習実行を表し、実験名、エポック数、画像サイズ(imgsz)、使用したモデル、mAP50-95(B)指標が記載されています。この指標はモデルの精度を評価するうえで重要であり、値が高いほど性能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の出力では、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、セットアップから実験の監視、可視化、分析まで、DVCLiveとUltralytics YOLO26を連携する方法を説明しました。
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。
よくある質問#
DVCLiveとUltralytics YOLO26の連携は簡単です。まず、必要なパッケージをインストールします。
インストールpip install ultralytics dvclive次に、Gitリポジトリを初期化し、プロジェクトでDVCLiveを設定します。
初期環境のセットアップgit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"詳しいセットアップ手順については、YOLO26のインストールガイドをご覧ください。
DVCLiveをYOLO26と併用すると、次のような利点があります。
- 自動記録: DVCLiveはモデルパラメーターやメトリクスなど、実験の主要な詳細を自動的に記録します。
- 簡単な比較: 異なる実行間の結果を簡単に比較できます。
- 可視化ツール: DVCLiveのデータ可視化機能を使って、詳細な分析を行います。
詳細については、実験追跡の効率を最大限に高めるため、YOLO26モデルのトレーニングとYOLOのパフォーマンスメトリクスに関するガイドをご覧ください。
YOLO26のトレーニングセッションが完了した後、DVCLiveを使うと結果を効果的に可視化して分析できます。実験データを読み込んで表示するコードの例を示します。
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)結果をインタラクティブに可視化するには、Plotlyの平行座標プロットを使用します。
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()その他の例やベストプラクティスについては、DVCLiveを使ったYOLO26のトレーニングに関するガイドをご覧ください。
DVCLiveとYOLO26をスムーズに連携するために、次の手順で環境を設定します。
- 必要なパッケージをインストール:
pip install ultralytics dvcliveを使用します。 - Gitリポジトリを初期化:
git init -qを実行します。 - DVCを初期化:
dvc init -qを実行します。 - Gitにコミット:
git commit -m "DVC init"を使用します。
これらの手順により、実験追跡に必要な適切なバージョン管理とセットアップが実現します。
- 必要なパッケージをインストール:
DVCLiveには、YOLO26の実験結果を可視化するツールが用意されています。比較プロットを生成する方法は次のとおりです。
比較プロットを生成dvc plots diff $(dvc exp list --names-only)これらのプロットをJupyter Notebookに表示するには、次を使用します。
from IPython.display import HTML # プロットをHTMLとして表示します HTML(filename="./dvc_plots/index.html")これらの可視化を使うと、傾向を把握し、モデルのパフォーマンスを最適化できます。
コメント5
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
UltralyticsAssistantUltralytics
👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!
We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.
If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.
Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:
Upgrade
Make sure you're using the latest version of the
ultralyticspackage by upgrading in your setup:pip install -U ultralyticsThe latest version ensures compatibility with integrations like DVCLive and other features.
Supported Environments
You can work seamlessly with YOLO and its integrations in the following environments:
- Notebooks with free GPU:
- Cloud Platforms like Google Cloud, AWS, or with a Docker setup
.
For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.
An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨
liggr
Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?
Glenn JocherUltralytics@liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with
dvc exp list --names-onlyafter training. For setup details, refer to the DVCLive integration guide.
- Notebooks with free GPU:
liggr
Can this DVC be integrated with the YOLOV8 model?
Glenn JocherUltralyticsYes, DVC can be integrated with YOLOv8 for experiment tracking. The process is similar to the YOLO11 integration shown in our documentation. For YOLOv8-specific implementation details, see our guide at https://docs.ultralytics.com/integrations/dvc/ which applies to all YOLO versions.