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、モデルのパフォーマンスを最大限に高めるために不可欠です。さまざまなハイパーパラメータでトライアルを実行し、それぞれのパフォーマンスを評価します。

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、並列処理、早期停止を活用して、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、並列処理、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モニタリングするために、Weights & Biasesとのオプションの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

# YOLO26nモデルを読み込む
model = YOLO("yolo26n.pt")

# COCO8データセットでYOLO26nのトレーニングのハイパーパラメータチューニングを開始する
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune()メソッドのパラメーター#

YOLO26のtune()メソッドは、Ray Tuneによるハイパーパラメータチューニング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。各パラメーターの詳細は以下のとおりです。

これらのパラメーター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ーを示します。各パラメーターの値の範囲はtune.uniform()で定義されていますが、close_mosaicではtune.randint()を使用します。

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説明します。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

# YOLOモデルを定義
model = YOLO("yolo26n.pt")

# モデルでRay Tuneを実行する
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、tune()メソッドを呼び出し、「coco8.yaml」でデータセット設定を指定します。「lr0」をキー、tune.uniform(1e-5, 1e-2)を値とする辞書を使用して、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#

Ray Tuneの探索戦略は名前で選択できます。文字列で探索アルゴリズムを指定すると、Ultralyticsは現在のタスクのデフォルトの最適化指標とmode="max"を自動的に使用します。search_algを指定しない場合、Ultralyticsは並列処理を考慮した提案を行うOptunaの多変量TPEを使用します。

from ultralytics import YOLO

# YOLOモデルを定義
model = YOLO("yolo26n.pt")

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

探索器のサンプラーをカスタマイズする場合や、指標と最適化モードを上書きする場合は、文字列の代わりにインスタンス化したRay Tuneの探索器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

# YOLOモデルを定義
model = YOLO("yolo26n.pt")

# 探索器を定義する
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を渡すと、中断されたRay Tuneセッションを再開できます。必要に応じて、再開するruns/{task}内でRay Tuneが使用したディレクトリnameを渡すこともできます。指定しない場合は、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

# YOLOモデルを定義
model = YOLO("yolo26n.pt")

# 前回の実行を再開
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# 名前'tune_exp_2'のRay Tune実行を再開する
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の実験を実行した後、得られた結果をさまざまな方法で分析できます。このガイドでは、結果の処理と分析に関する一般的なワークフローを紹介します。

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、または指定したnameに保存します。元のスクリプトの終了後に結果を読み込むには、セッションを再開します。保存済みの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)

実験単位の基本的な分析#

トライアルのパフォーマンスの概要を確認します。トライアル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!")

トライアル単位の基本的な分析#

個々のトライアルのハイパーパラメータ設定と、最後に報告された指標を確認します。

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

トライアルで報告された指標の全履歴をプロットする#

各トライアルで報告された指標の履歴をプロットして、指標が時間の経過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["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

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

概要#

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紹介しました。主な手順は、ディレクトリから実験結果を読み込み、実験単位およびトライアル単位の基本的な分析を行い、指標をプロットすることです。

ハイパーパラメータチューニングの実験を最大限に活用するには、Ray Tuneの結果の分析ドキュメントをご覧ください。

よくある質問#