Ultralytics YOLOのMLflow統合#

はじめに#

実験ログ記録は、さまざまなメトリクス、パラメーター、アーティファクトを追跡できるため、機械学習ワークフローにおける重要な要素です。モデルの再現性を高め、問題をデバッグし、モデルのパフォーマンスを改善するのに役立ちます。リアルタイムの物体検出機能で知られるUltralytics YOLOは、機械学習ライフサイクル全体を管理するオープンソースプラットフォームであるMLflowとの統合に対応しました。

このドキュメントページでは、Ultralytics YOLOプロジェクトでMLflowのログ記録機能を設定して使用する方法を詳しく説明します。

MLflowとは？#

MLflowは、機械学習ライフサイクルをエンドツーエンドで管理するためにDatabricksが開発したオープンソースプラットフォームです。実験の追跡、再現可能な実行環境へのコードのパッケージ化、モデルの共有とデプロイのためのツールを備えています。MLflowは、あらゆる機械学習ライブラリおよびプログラミング言語で動作するように設計されています。

機能#

• メトリクスのログ記録：各エポックの終了時およびトレーニング終了時にメトリクスを記録します。
• パラメーターのログ記録：トレーニングで使用したすべてのパラメーターを記録します。
• アーティファクトのログ記録：トレーニング終了時に、重みや設定ファイルなどのモデルアーティファクトを記録します。

セットアップと前提条件#

MLflowがインストールされていることを確認してください。インストールされていない場合は、pipを使用してインストールします：

pip install mlflow

Ultralyticsの設定でMLflowのログ記録が有効になっていることを確認してください。通常、これは設定のmlflowキーで制御します。詳しくは設定ページをご覧ください。

from ultralytics import settings

# Update a setting
settings.update({"mlflow": True})

# Reset settings to default values
settings.reset()

使用方法#

コマンド#

1. プロジェクト名を設定する：環境変数でプロジェクト名を設定できます：

   export MLFLOW_EXPERIMENT_NAME=YOUR_EXPERIMENT_NAME

   または、YOLOモデルのトレーニング時にproject=<project>引数を使用します。例：yolo train project=my_project。

2. 実行名を設定する：プロジェクト名の設定と同様に、環境変数で実行名を設定できます：

   export MLFLOW_RUN=YOUR_RUN_NAME

   または、YOLOモデルのトレーニング時にname=<name>引数を使用します。例：yolo train project=my_project name=my_name。

3. ローカルMLflowサーバーを起動する：追跡を開始するには、次を使用します：

   mlflow server --backend-store-uri runs/mlflow

   これにより、デフォルトでhttp://127.0.0.1:5000にローカルサーバーが起動し、すべてのmlflowログが「runs/mlflow」ディレクトリに保存されます。トレーニングの実行先を別の追跡サーバーにするには、トレーニング前にMLFLOW_TRACKING_URIをエクスポートします：

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. トレーニング後もMLflowの実行をアクティブに保つ：デフォルトでは、トレーニングが完了するとUltralyticsがMLflowの実行を自動的に終了します。実行を開いたままにするには（同じノートブックから追加のメトリクスやアーティファクトを記録する場合など）、トレーニング前にMLFLOW_KEEP_RUN_ACTIVEをTrueに設定します：

   export MLFLOW_KEEP_RUN_ACTIVE=True

   1、true、yes、on、y、tの値でこの動作が有効になります（大文字と小文字は区別されません）。設定されていない変数を含め、それ以外の値では、デフォルトどおり実行が終了します。その後、mlflow.end_run()で手動で終了することを忘れないでください。

ログ記録#

ログ記録は、on_pretrain_routine_end、on_fit_epoch_end、on_train_endのコールバック関数によって処理されます。これらの関数は、トレーニングプロセスの各段階で自動的に呼び出され、パラメーター、メトリクス、アーティファクトのログ記録を処理します。

例#

1. カスタムメトリクスを記録する：on_fit_epoch_endが呼び出される前にtrainer.metrics辞書を変更することで、記録するカスタムメトリクスを追加できます。

2. 実験の表示: ログを表示するには、MLflowサーバー（通常は http://127.0.0.1:5000）に移動し、実験とRunを選択します。

3. Runの表示: Runは実験内の個々のモデルです。Runをクリックすると、アップロードされたアーティファクトやモデルの重みなど、Runの詳細を確認できます。

MLflowを無効にする#

MLflowのログ記録をオフにするには：

yolo settings mlflow=False

まとめ#

MLflowとUltralytics YOLOのログ記録統合により、機械学習実験を効率的に追跡できます。パフォーマンスメトリクスを監視し、アーティファクトを効果的に管理できるため、堅牢なモデルの開発とデプロイに役立ちます。詳しくはMLflowの公式ドキュメントをご覧ください。

FAQ#