Ultralytics YOLOのMLflow統合#

はじめに#

実験のログ記録は、さまざまなメトリクス、パラメーター、成果物を追跡できる機械学習ワークフローの重要な要素です。モデルの再現性向上、問題のデバッグ、モデル性能の改善に役立ちます。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包括的に説明します。

MLflowとは何ですか？#

MLflowは、Databricksが開発したオープンソースのプラットフォームで、機械学習ライフサイクル全体を管理します。実験の追跡、再現可能な実行環境としてのコードのパッケージ化、モデルの共有とデプロイを行うためのツールが含まれています。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に、学習率、学習損失、検証メトリクスを記録します。
• パラメーターのログ記録: 学習で使用したすべてのパラメーターを記録します。
• 成果物のログ記録: 学習の終了時に、重みや設定ファイルなどのモデル成果物を記録します。

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を使っ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

# 設定を更新
settings.update({"mlflow": True})

# 設定をデフォルト値にリセット
settings.reset()

使用方法#

コマンド#

1. プロジェクト名を設定する: 環境変数を使って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モデルの学習時に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、環境変数を使って実行名を設定できます。

   export MLFLOW_RUN=YOUR_RUN_NAME

   または、YOLOモデルの学習時に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

   デフォルトでは、ローカルサーバーがhttp://127.0.0.1:5000で起動し、すべてのMLflowログが「runs/mlflow」ディレクトリに保存されます。学習実行の接続先を別の追跡サーバーにするには、学習前にMLFLOW_TRACKING_URIをエクスポートします。

   export MLFLOW_TRACKING_URI=http://127.0.0.1:5000

4. 学習後もMLflowの実行を継続する: デフォルトでは、学習が終了するとUltralyticsはMLflowの実行を自動的に終了します。同じノートブックから追加のメトリクスや成果物を記録するなど、実行を継続するには、学習前にMLFLOW_KEEP_RUN_ACTIVEをTrueに設定します。

   export MLFLOW_KEEP_RUN_ACTIVE=True

   1、true、yes、on、y、tの値を指定すると、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）。それ以外の値（変数が未設定の場合を含む）では、実行はデフォルトどおり終了します。その後、mlflow.end_run()を使って手動で終了することを忘れないでください。

ロギング#

ログ記録は、on_pretrain_routine_end、on_train_epoch_end、on_fit_epoch_end、on_train_endのコールバック関数が処理します。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を処理します。

例#

1. カスタムメトリクスのログ記録: on_fit_epoch_endの呼び出し前にtrainer.metricsの辞書を変更することで、ログに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、実験と実行を選択します。

3. 実行の表示: 実行とは、実験内の個々のモデルを指します。実行をクリックすると、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、実行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、次の手順に従います。

yolo settings mlflow=False

結論#

Ultralytics YOLOとのMLflowログ記録の統合により、機械学習の実験を効率よく追跡できます。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。詳細については、MLflowの公式ドキュメントをご覧ください。

よくある質問#