レイチューンとハイパーパラメータの効率的なチューニング YOLO11

ハイパーパラメータのチューニングは、最適なハイパーパラメータのセットを発見することによって、モデルの性能を最高にするために不可欠である。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 YOLO11 とRay Tuneでチューニングを加速させる

Ultralytics YOLO11Ray Tune は、ハイパーパラメータのチューニングのために Ray Tune を組み込んでおり、YOLO11 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を使用すると、高度な検索ストラテジー、並列処理、早期停止を利用して、チューニングプロセスを迅速化することができます。

レイ・チューン

Ray Tuneは、効率性と柔軟性のために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。様々な探索戦略、並列性、早期停止戦略をサポートし、Ultralytics YOLO11 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します。

との統合Weights & Biases

YOLO11 また、オプションで Weights & Biasesとの統合も可能です。

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

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

# Optionally install W&B for logging
pip install wandb

使用方法

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() メソッド・パラメータ

について tune() YOLO11 メソッドは、Ray Tune によるハイパーパラメータのチューニングのための使いやすいインターフェイスを提供します。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。以下は各パラメータの詳細な説明です：

これらのパラメータをカスタマイズすることで、特定のニーズと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することができます。

デフォルトの検索スペース

次の表は、YOLO11 with Ray Tune でハイパーパラメータをチューニングするためのデフォルトのサーチスペースパラメータの一覧です。各パラメータは tune.uniform().

カスタム検索スペースの例

この例では、Ray Tune とYOLO11 を使って、ハイパーパラメータのチューニングにカスタム探索空間を使用する方法を示します。カスタム検索空間を提供することで、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させることができます。

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.pt")

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

上のコード・スニペットでは、"yolo11n.pt" の事前学習された重みでYOLO モデルを作成します。そして tune() メソッドで、データセットの設定を "coco8.yaml "で指定する。初期学習率のためのカスタム探索空間を提供する。 lr0 lr0 "というキーと "lr0 "という値を持つ辞書を使う。 tune.uniform(1e-5, 1e-1).最後に、エポック数のような追加のトレーニング引数を、次のようにチューニングメソッドに直接渡します。 epochs=50.

レイ・チューンの結果を処理する

Ray Tune でハイパーパラメータのチューニング実験を実行した後、得られた結果について様々な分析を行 いたいと思うかもしれません。このガイドでは、これらの結果を処理・分析するための一般的なワークフローを紹介します。

ディレクトリからのチューニング実験結果の読み込み

を使ったチューニング実験を行った後、次のように述べた。 tuner.fit()ディレクトリから結果をロードできます。これは、特に最初のトレーニングスクリプトが終了した後に分析を実行する場合に便利です。

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

トライアルの結果の概要を把握できます。トライアル中にエラーがなかったかどうか、すぐに確認することができます。

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

基本的なトライアルレベルの分析

個々のトライアル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}")

臨床試験で報告されたメトリクスの全履歴をプロットする

各試験で報告されたメトリクスの履歴をプロットして、メトリクスの経時変化を見ることができます。

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()

概要

このドキュメントでは、Ultralytics を使用して Ray Tune で実行された実験結果を解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。主なステップには、ディレクトリからの実験結果のロード、基本的な実験レベルおよびトライアルレベルの解析の実行、メトリクスのプロットなどがあります。

ハイパーパラメーターのチューニング実験を最大限に活用するために、Ray Tuneの「Analyze Results（結果の分析）」ドキュメントページをさらに詳しくご覧ください。

よくあるご質問

Ray Tuneを使用して、YOLO11 モデルのハイパーパラメータを調整するには？

Ray Tune を使用してUltralytics YOLO11 モデルのハイパーパラメータをチューニングするには、以下の手順に従います：

1. 必要なパッケージをインストールする：

   pip install -U ultralytics "ray[tune]"
   pip install wandb  # optional for logging
   

2. YOLO11 、チューニングを開始します：

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

これは、Ray Tuneの高度な検索ストラテジーと並列性を利用して、モデルのハイパーパラメーターを効率的に最適化します。詳しくはRay Tuneのドキュメントをご覧ください。

Ray TuneでYOLO11 、デフォルトのハイパーパラメータは何ですか？

Ultralytics YOLO11 は、Ray Tune でのチューニングに以下のデフォルトのハイパーパラメータを使用します：

これらのハイパーパラメータは、特定のニーズに合わせてカスタマイズすることができる。完全なリストと詳細については、ハイパーパラメータのチューニング・ガイドを参照してください。

YOLO11 モデルのチューニングにWeights & Biases を統合するには？

Weights & Biases (W&B) をUltralytics YOLO11 チューニング・プロセスに統合する：

1. W&Bを設置する：

   pip install wandb
   

2. チューニングスクリプトを修正する：

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

このセットアップにより、チューニング・プロセスをモニターし、ハイパーパラメータの設定を追跡し、結果をW&Bで視覚化することができる。

YOLO11 、ハイパーパラメータの最適化にRay Tuneを使うべき理由は？

レイ・チューンは、ハイパーパラメータの最適化において多くの利点を提供する：

• 高度な検索戦略：ベイズ最適化やHyperOptなどのアルゴリズムを活用し、効率的なパラメータ検索を実現。
• 並列性：複数のトライアルの並列実行をサポートし、チューニングプロセスを大幅にスピードアップ。
• 早期停止：ASHAのような戦略を採用し、パフォーマンスの低い試験を早期に終了させ、計算資源を節約する。

Ray Tune はUltralytics YOLO11 とシームレスに統合され、ハイパーパラメータを効果的にチューニングするための使いやすいインターフェイスを提供します。まずは、Ray Tune とYOLO11を使った効率的なハイパーパラメータのチューニングガイドをご覧ください。

YOLO11 ハイパーパラメータ・チューニングのためのカスタム探索空間を定義するには？

Ray Tune でYOLO11 ハイパーパラメータチューニングのためのカスタムサーチ空間を定義する：

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

これは、チューニング・プロセス中に探索される初期学習率や運動量などのハイパーパラメータの範囲をカスタマイズする。高度な設定については、カスタム探索空間の例のセクションを参照してください。

📅作成：1年前 ✏️更新 21日前

コメント