YOLO26とTensorBoardの連携で視覚的なインサイトを得る
コンピュータービジョンモデルやUltralytics YOLO26などの仕組みを理解して微調整するには、トレーニングプロセスを詳しく見ると容易になります。モデルのトレーニングを可視化すると、モデルの学習パターン、パフォーマンス指標、全体的な動作を把握できます。YOLO26とTensorBoardの統合により、可視化と分析が容易になり、モデルをより効率的かつ的確に調整できます。
このガイドでは、YOLO26でTensorBoardを使用する方法を説明します。指標の追跡からモデルグラフの分析まで、さまざまな可視化方法を紹介します。これらのツールを使うと、YOLO26モデルの性能をより深く理解できます。
TensorBoard#
TensorBoardはTensorFlowの可視化ツールキットであり、機械学習の実験で広く使用されています。TensorBoardには、機械学習モデルを監視するためのさまざまな可視化ツールが用意されています。これらのツールには、損失や精度などの主要指標の追跡、モデルグラフの可視化、時間経過に伴う重みとバイアスのヒストグラム表示が含まれます。また、埋め込み表現を低次元空間へ射影し、マルチメディアデータを表示する機能もあります。
TensorBoardを使ったYOLO26の学習#
YOLO26モデルの学習中にTensorBoardを使用するのは簡単で、大きなメリットがあります。
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 YOLO26 and TensorBoard
pip install ultralytics tensorboardTensorBoardはオプションの依存関係です。インストール後、yolo settings tensorboard=Trueを使ってコールバックを一度有効にすると、その設定は以降の学習実行にも引き継がれます。
インストール手順とベストプラクティスの詳細については、YOLO26インストールガイドをご確認ください。YOLO26に必要なパッケージのインストールで問題が発生した場合は、解決策とヒントを掲載したよくある問題のガイドをご覧ください。
Google Colab向けのTensorBoardの設定#
Google Colabを使用する場合は、トレーニングコードを開始する前にTensorBoardを設定します。
%load_ext tensorboard
%tensorboard --logdir path/to/runs使用方法#
デフォルトでは、TensorBoardのログ記録は無効になっています。yolo settingsコマンドを使って、ログ記録を有効または無効にできます。
# Enable TensorBoard logging
yolo settings tensorboard=True
# Disable TensorBoard logging
yolo settings tensorboard=Falsefrom ultralytics import YOLO
# 事前トレーニング済みモデルを読み込む
model = YOLO("yolo26n.pt")
# モデルをトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)上記の使用例のコードスニペットを実行すると、次のような出力が表示されます。
TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/この出力は、TensorBoardがYOLO26のトレーニングセッションを監視中であることを示しています。localhost:6006からTensorBoardダッシュボードにアクセスすると、トレーニング指標とモデルのパフォーマンスをリアルタイムで確認できます。Google Colabを使用している場合、TensorBoardは設定コマンドを実行したセルに表示されます。
モデルの学習プロセスの詳細については、YOLO26モデル学習ガイドをご覧ください。ログ記録、チェックポイント、プロット、ファイル管理について詳しく知りたい場合は、設定に関する使用ガイドをお読みください。
YOLO26の学習でTensorBoardを理解する#
このセクションでは、YOLO26のトレーニングにおけるTensorBoardの主な機能とコンポーネントについて説明します。TensorBoardの主なセクションは、Time Series、Scalars、Graphsの3つです。
Time Series#
TensorBoardのTime Series機能では、YOLO26モデルのさまざまなトレーニング指標を時間の経過に沿って動的かつ詳細に確認できます。トレーニングエポック全体にわたる指標の推移と傾向に焦点を当てています。表示例を以下に示します。

TensorBoardのTime Seriesの主な機能#
-
タグのフィルタリングとカードのピン留め: 指標を絞り込み、カードをピン留めしてすばやく比較・参照できます。学習プロセスの特定の側面に焦点を当てたい場合に特に便利です。
-
詳細な指標カード: Time Seriesでは、指標が学習率(lr)、学習(train)、検証(val)などのカテゴリに分けられ、それぞれが個別のカードに表示されます。
-
グラフ表示: Time Seriesセクションの各カードには、学習全体を通じた特定の指標の詳細なグラフが表示されます。この視覚的な表示は、学習プロセスにおける傾向、パターン、異常の特定に役立ちます。
-
詳細な分析: Time Seriesでは、各指標を詳しく分析できます。たとえば、異なる学習率の区間が表示され、学習率の調整がモデルの学習曲線に与える影響を把握できます。
YOLO26の学習におけるTime Seriesの重要性#
Time Seriesセクションは、YOLO26モデルの学習の進捗を詳細に分析するうえで不可欠です。指標をリアルタイムで追跡できるため、問題をすばやく特定して解決できます。また、各指標の推移を詳しく確認できるため、モデルの微調整と性能向上に役立ちます。
Scalars#
TensorBoardのScalarsは、YOLO26モデルのトレーニング中に損失や精度などの単純な指標をプロットして分析するために使用します。各トレーニングエポックでこれらの指標がどのように変化するかを明確かつ簡潔に示し、モデルの学習効率と安定性を把握できます。表示例を以下に示します。

TensorBoardのスカラーの主な機能#
-
学習率 (lr) タグ: これらのタグは、異なる区間(例:
lr/pg0、lr/pg1、lr/pg2)における学習率の変化を示します。学習率の調整がトレーニングプロセスに与える影響を理解するのに役立ちます。 -
指標タグ: スカラーには、次のようなパフォーマンス指標が含まれます。
-
トレーニングタグと検証タグ(
train、val): これらのタグは、トレーニングデータセットと検証データセットに特化した指標を表示し、異なるデータセット間でモデルのパフォーマンスを比較できます。
スカラーをモニタリングする重要性#
スカラー指標の確認は、YOLO26モデルをファインチューニングするうえで重要です。損失グラフの急上昇や不規則なパターンなど、これらの指標の変動から、過学習、未学習、不適切な学習率設定などの潜在的な問題を特定できます。スカラーを綿密にモニタリングすることで、十分な情報に基づいてトレーニングプロセスを最適化し、モデルが効果的に学習して目標のパフォーマンスを達成できるように調整できます。
スカラーと時系列の違い#
TensorBoardのスカラーと時系列は、どちらも指標の追跡に使用されますが、目的は少し異なります。スカラーでは、損失や精度などの単純な指標をスカラー値としてプロットします。各トレーニングエポックに伴う指標の変化を概観できます。一方、TensorBoardの時系列セクションでは、さまざまな指標をより詳細なタイムラインで確認できます。時間経過に伴う指標の推移や傾向をモニタリングするのに特に役立ち、トレーニングプロセスの詳細を深く把握できます。
グラフ#
TensorBoardのGraphsセクションでは、YOLO26モデルの計算グラフを可視化し、モデル内の演算とデータフローを表示します。モデルの構造を理解し、すべてのレイヤーが正しく接続されていることを確認し、データフローの潜在的なボトルネックを特定するのに役立ちます。表示例を以下に示します。

グラフは、特にYOLO26のようなディープラーニングモデルに見られる複雑なアーキテクチャのデバッグに役立ちます。レイヤーの接続とモデル全体の設計を検証できます。
概要#
このガイドでは、機械学習モデルのトレーニングを可視化・分析するために、YOLO26でTensorBoardを使用する方法を説明します。主なTensorBoard機能を活用して、YOLO26のトレーニング中にトレーニング指標とモデルのパフォーマンスを把握する方法に焦点を当てています。
これらの機能や効果的な活用方法についてさらに詳しく知りたい場合は、TensorFlow公式のTensorBoardドキュメントとGitHubリポジトリをご覧ください。
よくある質問#
YOLO26でTensorBoardを使用すると、効率的なモデルのトレーニングに欠かせない、次のような可視化ツールを利用できます。
- リアルタイムの指標追跡: 損失、精度、適合率、再現率などの主要な指標をリアルタイムで追跡します。
- モデルグラフの可視化: 計算グラフを可視化して、モデルアーキテクチャを理解し、デバッグできます。
これらのツールを使って、YOLO26モデルのパフォーマンスを高めるための調整を十分な情報に基づいて行えます。TensorBoardの機能について詳しくは、TensorFlowのTensorBoardガイドをご覧ください。
TensorBoardを使ってYOLO26モデルのトレーニング指標をモニタリングするには、次の手順に従ってください。
- TensorBoardとYOLO26をインストール:
pip install ultralytics tensorboardを実行します。 - TensorBoardのログ記録を有効化:
yolo settings tensorboard=Trueを実行します。トレーニング中、YOLO26は実行ディレクトリに指標を書き込みます。 - TensorBoardを起動:
tensorboard --logdir path/to/runsを指定してTensorBoardを起動し、トレーニングの実行ディレクトリを指定します(例:runs/detect/train)。
localhost:6006でアクセスできるTensorBoardダッシュボードでは、さまざまなトレーニング指標をリアルタイムで確認できます。トレーニング設定について詳しくは、YOLO26設定ガイドをご覧ください。- TensorBoardとYOLO26をインストール:
YOLO26モデルのトレーニング時に、TensorBoardでは次のような重要な指標を可視化できます。
- 損失(トレーニングと検証): トレーニング中および検証中のモデルのパフォーマンスを示します。
- 精度/適合率/再現率: 検出精度を評価するための主要なパフォーマンス指標です。
- 学習率: 学習率の変化を追跡して、トレーニングの動態への影響を把握します。
- mAP(平均適合率): さまざまなIoUしきい値における物体検出の精度を包括的に評価します。
これらの可視化は、モデルのパフォーマンスを追跡し、必要な最適化を行ううえで欠かせません。これらの指標について詳しくは、パフォーマンス指標ガイドをご覧ください。
はい、Google Colab環境でTensorBoardを使用してYOLO26モデルをトレーニングできます。簡単なセットアップ手順は次のとおりです。
Google Colab向けにTensorBoardを設定する%load_ext tensorboard %tensorboard --logdir path/to/runs次に、YOLO26のトレーニングスクリプトを実行します。
from ultralytics import YOLO # 事前トレーニング済みモデルを読み込む model = YOLO("yolo26n.pt") # モデルをトレーニングする results = model.train(data="coco8.yaml", epochs=100, imgsz=640)TensorBoardはColab内でトレーニングの進捗を可視化し、損失や精度などの指標をリアルタイムで把握できるようにします。
コメント6
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
HoseinHashemi
I found enabling
tensorboardfrom within the YOLO training script more comfortable reducing CLI commands.from ultralytics import settings settings.update({"tensorboard": True})
Glenn JocherUltralyticsYes, that’s supported—
settings.update({"tensorboard": True})is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later withsettings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).
ruslanraupoff
How to forward Tensorboard IP from Docker? Is it possible to use a yolo cli?
Glenn JocherUltralytics(編集済み)@ruslanraupoff to forward TensorBoard from Docker, map the port using
-p 6006:6006when running your container and start TensorBoard withtensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once withyolo settings tensorboard=Trueand the logs are saved in the run directory underruns/for TensorBoard visualization. See our Docker Quickstart for setup details.1
lauravchrobak
It looks like the Usage code isn't complete. Looks like the first row is cut off?
Glenn JocherUltralytics(編集済み)@lauravchrobak hi there!
Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:
yolo settings tensorboard=Truefrom ultralytics import YOLO # Load a pre-trained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco8.yaml", epochs=100, imgsz=640)After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:
tensorboard --logdir runs/detect/trainYou can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.
For more detailed guidance, you can visit our TensorBoard integration documentation.
If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.
Happy training! 🚀