Weights & Biasesを使用したYOLOの実験追跡と可視化#

Object detection モデルなどの Ultralytics YOLO26 は、多くの computer vision アプリケーションに不可欠なものとなっています。しかし、これらの複雑なモデルのトレーニング、評価、デプロイにはいくつかの課題が伴います。主要なトレーニング指標の追跡、モデルバリアントの比較、モデルの動作の分析、問題の検出には、高度な計装と実験管理が必要です。

Watch: How to use Ultralytics YOLO26 with Weights and Biases

本ガイドでは、Ultralytics YOLO26とWeights & Biasesの統合機能を紹介し、実験の追跡、モデルチェックポイントの保存、およびモデル性能の可視化を強化する方法を解説します。また、統合環境のセットアップ、トレーニング、ファインチューニング、およびWeights & Biasesのインタラクティブな機能を活用した結果の可視化についても説明します。

Weights & Biases#

Weights and Biases experiment tracking

Weights & Biasesは、機械学習の実験の追跡、可視化、管理を行うために設計された最先端のMLOpsプラットフォームです。実験の完全な再現性を確保するためのトレーニング指標の自動記録、データ分析を効率化するインタラクティブなUI、さまざまな環境へのデプロイメントを実現する効率的なモデル管理ツールを備えています。

Weights & Biasesを使用したYOLO26のトレーニング#

Weights & Biases を使用して、YOLO26 のトレーニングプロセスに効率性と自動化をもたらすことができます。この統合により、実験の追跡、モデルの比較、データ駆動型の決定を行って computer vision プロジェクトを改善することができます。

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、以下を実行してください。

インストール

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

インストールプロセスに関する詳細な手順とベストプラクティスについては、YOLO26インストールガイドを必ずご確認ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、よくある質問ガイドを参照して解決策とヒントを確認してください。

Weights & Biasesの設定#

必要なパッケージをインストールした後、次のステップはWeights & Biases環境をセットアップすることです。これには、Weights & Biasesのアカウント作成と、開発環境とW&Bプラットフォームをスムーズに接続するためのAPIキーの取得が含まれます。

まず、ワークスペースでWeights & Biases環境を初期化します。以下のコマンドを実行し、表示される指示に従ってください。

SDKの初期セットアップ

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

Weights & Biases authorization page にアクセスして、APIキーを作成および取得します。プロンプトが表示されたら、このキーを使用して環境を W&B で認証します。

使用方法：Weights & BiasesでのYOLO26トレーニング#

Weights & Biases を使用した YOLO26 モデルのトレーニングの使用方法に関する説明に入る前に、YOLO26 models offered by Ultralytics を必ずご確認ください。これにより、プロジェクトの要件に最も適したモデルを選択するのに役立ちます。

使用方法：Weights & BiasesでのYOLO26トレーニング

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

W&Bの引数#

引数	デフォルト	説明
project	`None`	ローカルおよびW&B上に記録されるプロジェクト名を指定します。これにより、複数の実行結果をグループ化できます。
name	`None`	トレーニング実行の名前です。これはサブフォルダの作成やW&Bでのログ記録に使用される名前を決定します。

Weights & Biasesの有効化と無効化

Ultralytics で Weights & Biases のロギングを有効または無効にするには、yolo settings コマンドを使用できます。デフォルトでは、Weights & Biases のロギングは無効になっています。

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

出力の理解#

上記のコードスニペットを実行すると、主に以下の出力が得られます。

一意のIDを持つ新しい実行が設定され、トレーニングプロセスの開始が示されます。
レイヤー数やパラメータ数を含む、モデル構造の簡潔な要約。
各トレーニングエポック中のボックス損失、クラス損失、dfl損失、適合率、再現率、mAPスコアなどの重要な指標に関する定期的なアップデート。
トレーニングの終了時に、モデルの推論速度や全体的な accuracy 指標などの詳細な指標が表示されます。
トレーニングプロセスの詳細な分析と可視化を行うためのWeights & Biasesダッシュボードへのリンクと、ローカルのログファイルの場所に関する情報。

Weights & Biasesダッシュボードの表示#

コードスニペットを実行した後、出力に提供されたリンクからWeights & Biases (W&B) ダッシュボードにアクセスできます。このダッシュボードでは、YOLO26によるモデルのトレーニングプロセスを包括的に確認できます。

Weights & Biasesダッシュボードの主な機能#

Real-Time Metrics Tracking: トレーニング中に loss、accuracy、検証スコアなどの指標がどのように変化するかを観察し、モデルのチューニングに向けた即座のインサイトを提供します。See how experiments are tracked using Weights & Biases。
Hyperparameter Optimization: Weights & Biases は、learning rate、batch size などの重要なパラメータの微調整を支援し、YOLO26 のパフォーマンスを向上させます。これにより、特定のデータセットとタスクに最適な構成を見つけることができます。
比較分析: プラットフォーム上で異なるトレーニング実行を並べて比較することができ、さまざまなモデル構成の影響を評価し、どの変更が性能向上に寄与したかを理解するために不可欠です。
Visualization of Training Progress: 主要な指標のグラフィカルな表現により、エポック全体でのモデルのパフォーマンスを直感的に理解できます。See how Weights & Biases helps you visualize validation results。
リソース監視: CPU、GPU、メモリの使用量を追跡し、トレーニングプロセスの効率を最適化して、ワークフロー内の潜在的なボトルネックを特定できます。
モデルアーティファクト管理: モデルのチェックポイントにアクセスして共有し、複雑なプロジェクトにおけるデプロイやチームメンバーとのコラボレーションを円滑に進めることができます。
Viewing Inference Results with Image Overlay: Weights & Biases のインタラクティブなオーバーレイを使用して画像上の予測結果を視覚化し、現実世界のデータに対するモデルのパフォーマンスを明確かつ詳細に表示します。詳細については、Weights & Biases の image overlay capabilities を参照してください。

これらの機能を使用することで、YOLO26 モデルのトレーニングを効果的に追跡、分析、最適化し、object detection タスクで可能な限り最高のパフォーマンスと効率を確保できます。

要約#

このガイドでは、Weights & Biases との Ultralytics YOLO の統合について説明しました。モデルのトレーニングと予測結果を効率的に追跡および視覚化するこの統合の機能を示しています。W&B の強力な機能を活用することで、machine learning ワークフローを合理化し、データ駆動型の決定を下し、モデルのパフォーマンスを向上させることができます。

使用方法の詳細については、Weights & Biases' official documentation をご覧いただくか、YOLO VISION 2023 でのこの統合に関する Soumik Rakshit's presentation をご覧ください。

また、Ultralytics integration guide page をチェックして、MLflow や Comet ML などのさまざまなエキサイティングな統合について詳しく学んでください。

よくある質問 (FAQ)#

Weights & BiasesをUltralytics YOLO26に統合するにはどうすればよいですか？#

Weights & BiasesとUltralytics YOLO26を統合する手順は以下の通りです。

必要なパッケージをインストールします：

pip install -U ultralytics wandb
yolo settings wandb=True

Weights & Biasesアカウントにログインします。
```
import wandb

wandb.login(key="YOUR_API_KEY")
```

W&Bログ記録を有効にしてYOLO26モデルをトレーニングします。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

これにより、メトリクス、ハイパーパラメータ、およびモデルアーティファクトが自動的にW&Bプロジェクトに記録されます。

YOLO26とWeights & Biases統合の主な機能は何ですか？#

主な機能は以下の通りです。

トレーニング中のリアルタイムのメトリクス追跡
ハイパーパラメータ最適化ツール
異なるトレーニング実行の比較分析
グラフを通じたトレーニング進捗の可視化
リソース監視（CPU、GPU、メモリ使用量）
モデルアーティファクトの管理と共有
画像オーバーレイを使用した推論結果の表示

これらの機能は、実験の追跡、モデルの最適化、そしてYOLO26プロジェクトにおける効率的なコラボレーションを支援します。

YOLO26トレーニングのWeights & Biasesダッシュボードを閲覧するにはどうすればよいですか？#

W&B統合を使用してトレーニングスクリプトを実行した後：

コンソール出力に、W&Bダッシュボードへのリンクが表示されます。
リンクをクリックするか、wandb.ai にアクセスしてアカウントにログインします。
プロジェクトに移動して、詳細なメトリクス、可視化、モデル性能データを確認できます。

ダッシュボードはモデルのトレーニングプロセスに関する洞察を提供し、YOLO26モデルを効果的に分析および改善できるようにします。

YOLO26トレーニングのWeights & Biasesログ記録を無効にすることはできますか？#

はい、以下のコマンドを使用してW&Bログ記録を無効にできます。

yolo settings wandb=False

ログ記録を再度有効にするには、次を実行します。

yolo settings wandb=True

これにより、トレーニングスクリプトを変更することなく、W&Bログ記録を使用するタイミングを制御できます。

Weights & BiasesはYOLO26モデルの最適化にどのように役立ちますか？#

Weights & Biasesは以下の方法でYOLO26モデルの最適化を支援します。

トレーニングメトリクスの詳細な可視化を提供
異なるモデルバージョン間の比較を容易にする
hyperparameter tuning 用のツールを提供します
モデル性能の共同分析を可能にする
モデルアーティファクトと結果の共有を容易にする

これらの機能により、研究者や開発者はより迅速に反復を行い、データに基づいた意思決定を行ってYOLO26モデルを改善できます。

貢献者

GLglenn-jocher²² RIRizwanMunawar³ Y-Y-T-G² JKjk4e¹ MAMatthewNoyce¹ AMambitious-octopus¹ IVIvorZhu331¹ ABabirami-vina¹

作成日 2023年12月27日更新日先月