Ray TuneとYOLO26による効率的なハイパーパラメータチューニング#

ハイパーパラメータチューニングは、最適なハイパーパラメータの組み合わせを見つけることで、モデルの性能を最大限に引き出すために重要です。これには、異なるハイパーパラメータで試行を実行し、各試行の性能を評価する作業が含まれます。

Ultralytics YOLO26とRay Tuneでチューニングを高速化#

Ultralytics YOLO26は、ハイパーパラメータチューニングにRay Tuneを組み込み、YOLO26モデルのハイパーパラメータ最適化を効率化します。Ray Tuneを使用すると、高度な探索戦略、並列化、早期停止を活用して、チューニングプロセスを高速化できます。

Ray Tune#

Ray Tuneは、効率性と柔軟性を重視して設計されたハイパーパラメータチューニングライブラリです。さまざまな探索戦略、並列化、早期停止戦略をサポートし、Ultralytics YOLO26を含む一般的な機械学習フレームワークとシームレスに統合できます。

Weights & Biasesとの統合#

YOLO26では、チューニングプロセスを監視するために、Weights & Biasesとのオプション統合も利用できます。

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 and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]" optuna

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

使用方法#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune()メソッドのパラメータ#

YOLO26のtune()メソッドは、Ray Tuneを使用したハイパーパラメータチューニングのための使いやすいインターフェースを提供します。チューニングプロセスをカスタマイズできる複数の引数を受け取ります。各パラメータについて、以下で詳しく説明します。

これらのパラメータをカスタマイズすることで、ハイパーパラメータ最適化プロセスを、特定のニーズや利用可能な計算リソースに合わせて微調整できます。

デフォルトの探索空間の説明#

以下の表に、Ray Tuneを使用してYOLO26のハイパーパラメータをチューニングする際のデフォルトの探索空間パラメータを示します。各パラメータには、tune.uniform()によって定義された固有の値範囲があります。

カスタム探索空間の例#

この例では、Ray TuneとYOLO26を使用したハイパーパラメータチューニングで、カスタム探索空間を使用する方法を示します。カスタム探索空間を指定すると、関心のある特定のハイパーパラメータにチューニングプロセスを集中できます。

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

上記のコードスニペットでは、"yolo26n.pt"の事前学習済み重みを使用してYOLOモデルを作成します。次に、データセット設定として"coco8.yaml"を指定して、tune()メソッドを呼び出します。キー"lr0"と値tune.uniform(1e-5, 1e-2)を持つ辞書を使用して、初期学習率lr0のカスタム探索空間を指定します。最後に、エポック数などの追加トレーニング引数をepochs=50としてtuneメソッドに直接渡します。

探索アルゴリズムの例#

Ray Tuneの探索戦略は名前で選択できます。文字列ベースの探索アルゴリズムでは、Ultralyticsが現在のタスクのデフォルト最適化メトリックとmode="max"を自動的に使用します。search_algを指定しない場合、Ultralyticsは並列実行を考慮した提案機能を備えたOptunaの多変量TPEを使用します。

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

searcherのサンプラーをカスタマイズしたり、メトリックと最適化モードを上書きしたりする必要がある場合は、文字列の代わりにインスタンス化したRay Tune searcherオブジェクトを渡します。

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Ray Tuneで中断したハイパーパラメータチューニングセッションを再開する#

resume=Trueを渡すことで、中断したRay Tuneセッションを再開できます。オプションで、Ray Tuneが使用するディレクトリnameをruns/{task}に指定して再開することもできます。指定しない場合は、最後に中断したセッションが再開されます。iterationsとspaceを再度指定する必要はありませんが、dataとepochsを含む残りのトレーニング引数は再度指定する必要があります。

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Ray Tuneの結果を処理する#

Ray Tuneでハイパーパラメータチューニング実験を実行した後、取得した結果をさまざまな方法で分析することがあります。このガイドでは、これらの結果を処理および分析する一般的なワークフローを説明します。

ディレクトリからTune実験の結果を読み込む#

model.tune(use_ray=True) は Ray の ResultGrid を返し、実験を runs/{task}/tune 以下、または渡した name 以下に保存します。元のスクリプトが終了した後にそれらの結果を読み込むには、セッションを再開します。これにより保存されたトライアルが復元され、同じ ResultGrid が返されます:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

実験レベルの基本分析#

試行の実行結果の概要を取得します。試行中にエラーが発生したかどうかをすばやく確認できます。

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

試行レベルの基本分析#

個々の試行のハイパーパラメータ設定と、最後に報告されたメトリックにアクセスします。

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

試行で報告されたメトリックの全履歴をプロットする#

各試行で報告されたメトリックの履歴をプロットして、時間の経過に伴うメトリックの変化を確認できます。

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

まとめ#

このガイドでは、Ultralyticsを使用してRay Tuneで実行した実験結果を分析する一般的なワークフローを説明しました。主な手順は、ディレクトリから実験結果を読み込み、実験レベルと試行レベルの基本分析を行い、メトリックをプロットすることです。

Ray TuneのAnalyze Resultsドキュメントページを参照して、ハイパーパラメータチューニング実験を最大限に活用してください。

FAQ#