Ray TuneとYOLO26を使用した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セットを発見することでモデルのパフォーマンスを最大化するために不可欠です。これには、異なるハイパーパラメータで試行を実行し、各試行のパフォーマンスを評価することが含まれます。

Ultralytics YOLO26とRay Tuneによるチューニングの加速#

Ultralytics YOLO26 は、ハイパーパラメータチューニングのために Ray Tune を統合し、YOLO26 モデルのハイパーパラメータの最適化を効率化します。Ray Tune を使用することで、高度な探索戦略、並列処理、早期終了を活用し、チューニングプロセスを迅速化できます。

Ray Tune#

Ray Tune は、効率性と柔軟性を追求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、並列処理、早期終了戦略をサポートしており、Ultralytics YOLO26 をはじめとする一般的な機械学習フレームワークとシームレスに統合します。

Weights & Biasesとの統合#

また、YOLO26 では、チューニングプロセスの監視のために Weights & Biases とのオプションの統合も可能です。

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、以下を実行してください。

# 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いくつかの引数を受け取ります。各パラメータの詳細な説明は以下の通りです。

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

デフォルトの探索空間の説明#

次の表は、Ray Tune を使用した YOLO26 のハイパーパラメータチューニングにおけるデフォルトの探索空間パラメータの一覧です。各パラメータには、tune.uniform() によって定義された特定の値の範囲があります。

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のために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提供することで、特定のハイパーパラメータに焦点を当てたチューニングを行うことができます。

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 モデルを作成しています。次に、tune() メソッドを呼び出し、「coco8.yaml」を指定してデータセット構成を設定します。キーを「lr0」、値を tune.uniform(1e-5, 1e-2) とする辞書を使用して、初期学習率 lr0 のカスタム検索スペースを指定します。最後に、エポック数などの追加の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#

名前で Ray Tune の探索戦略を選択できます。文字列ベースの探索アルゴリズムの場合、Ultralytics は現在のタスクのデフォルトの最適化メトリックと mode="max" を自動的に使用します。search_alg が提供されていない場合、Ultralytics は並列処理に対応した提案機能を持つ Optuna 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,
)

サーチャー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オーバーライド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されたRay Tuneサーチャーオブジェクトを渡してください。

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で中断され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、中断された Ray Tune セッションを再開できます。再開するには、必要に応じて Ray Tune が使用しているディレクトリ name を runs/{task} のもとで渡すことができます。それ以外の場合は、最後に中断されたセッションが再開されます。iterations と space を再度提供する必要はありませんが、data や epochs を含む残りのトレーニング引数は再度提供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、得られた結果に対してさまざまな分析を行いたい場合があります。このガイドでは、これらの結果を処理および分析するための一般的なワークフローについて説明します。

ディレクトリからチューニング実験結果を読み込む#

tuner.fit() でチューニング実験を実行した後、ディレクトリから結果を読み込むことができます。これは、初期トレーニングスクリプトが終了した後に分析を行う場合に特に便利です。

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

基本的な実験レベルの分析#

試行がどのように実行されたか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素早く確認できます。

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

基本的な試行レベルの分析#

個別の試行のハイパーパラメータ構成と、最後に報告されたメトリクスにアクセスします。

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

試行の報告メトリクスの全履歴をプロットする#

各試行で報告されたメトリクスの履歴をプロットして、メトリクスが時間とともにどのように変化したかを確認できます。

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

要約#

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ための一般的なワークフローを説明しました。主なステップには、ディレクトリからの実験結果の読み込み、基本的な実験レベルおよび試行レベルの分析の実行、そしてメトリクスのプロットが含まれます。

ハイパーパラメータチューニング実験を最大限に活用するために、Ray Tune の結果の分析に関するドキュメントページを参照して詳細を確認してください。

よくある質問 (FAQ)#