YOLO11 実験の追跡と可視化の強化Weights & Biases

のような物体検出モデルは Ultralytics YOLO11のような物体検出モデルは、多くのコンピュータ・ビジョン・アプリケーションに不可欠なものとなっている。しかし、このような複雑なモデルのトレーニング、評価、導入にはいくつかの課題があります。主要なトレーニングメトリクスの追跡、モデルバリアントの比較、モデル動作の分析、問題の検出には、大規模な計測と実験管理が必要です。

見るんだ： Ultralytics YOLO11 の使い方Weights and Biases

このガイドでは、Ultralytics YOLO11 、Weights & Biases との統合により、実験の追跡、モデルのチェックポイント、モデル性能の可視化が強化されたことを紹介する。また、統合の設定、トレーニング、微調整、Weights & Biases' インタラクティブ機能を使用した結果の可視化についての説明も含まれています。

Weights & Biases

Weights & Biasesは、機械学習実験の追跡、可視化、管理の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実現するトレーニングメトリクスの自動ロギング、合理化されたデータ分析のためのインタラクティブなUI、様々な環境にデプロイするための効率的なモデル管理ツールを備えています。

YOLO11 トレーニングWeights & Biases

Weights & Biases 使用することで、YOLO11 トレーニングプロセスを効率化し、自動化することができます。この統合により、実験を追跡し、モデルを比較し、コンピュータビジョンプロジェクトを改善するためのデータ駆動型の意思決定を行うことができます。

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

# 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説明とベストプラクティスについては、YOLO11 インストールガイドをご覧ください。YOLO11 に必要なパッケージのインストール中に、何らかの問題が発生した場合は、解決策とヒントについて、よくある問題ガイドを参照してください。

設定Weights & Biases

必要なパッケージをインストールしたら、次のステップはWeights & Biases 環境のセットアップです。これにはWeights & Biases アカウントの作成と、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に必要な API キーの取得が含まれます。

まず、ワークスペースのWeights & Biases 環境を初期化します。以下のコマンドを実行し、プロンプトの指示に従ってください。

import wandb

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

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Weights & Biases 認証ページに移動し、APIキーを作成・取得してください。このキーを使用してW&Bであなたの環境を認証します。

使い方トレーニングYOLO11 Weights & Biases

Weights & Biases を使ったYOLO11 モデル・トレーニングの使い方の説明に入る前に、 Ultralytics が提供するYOLO11 モデルのラインナップを確認してください。これは、あなたのプロジェクトの要件に最も適切なモデルを選択するのに役立ちます。

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

W&Bの主張

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

アウトプットを理解する

上記のコード・スニペットを実行すると、次のような主な出力が期待できる：

• トレーニングプロセスの開始を示す一意のIDを持つ新しいランのセットアップ。
• レイヤー数やパラメータなど、モデルの構造を簡潔にまとめたもの。
• 各トレーニングエポックにおいて、box loss、cls loss、dfl loss、precision、recall、mAPスコアなどの重要なメトリクスが定期的に更新される。
• トレーニングの最後には、モデルの推論速度や全体的な精度のメトリクスを含む詳細なメトリクスが表示されます。
• トレーニングプロセスの詳細な分析と視覚化のための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

使用法のコード・スニペットを実行した後、出力にある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することができます。このダッシュボードでは、YOLO11 を使ったモデルのトレーニングプロセスを包括的に見ることができます。

Weights & Biases ダッシュボードの主な機能

• リアルタイムのメトリクス追跡：損失、精度、検証スコアなどのメトリクスがトレーニング中にどのように変化するかを観察し、モデルチューニングのための洞察を即座に提供します。 Weights & Biases を 使用した実験の追跡方法をご覧ください。

• ハイパーパラメータの最適化：Weights & Biases 、学習率、バッチサイズなどの重要なパラメータを微調整し、YOLO11パフォーマンスを向上させるのに役立ちます。これにより、特定のデータセットとタスクに最適な設定を見つけることができます。

• 比較分析：このプラットフォームは、様々なモデル構成の影響を評価し、どの変更がパフォーマンスを向上させるかを理解するために不可欠な、異なるトレーニング実行を並べて比較することができます。

• トレーニング進捗の視覚化：主要なメトリクスをグラフィカルに表示することで、エポックにわたるモデルのパフォーマンスを直感的に理解することができます。 Weights & Biases を使用して検証結果を視覚化する方法をご覧ください。

• リソースモニタリング：CPU、GPU、メモリの使用状況を追跡し、トレーニングプロセスの効率を最適化し、ワークフローにおける潜在的なボトルネックを特定します。

• モデル成果物の管理：モデルのチェックポイントにアクセスし、共有することで、複雑なプロジェクトにおけるチームメンバーとの配備やコラボレーションを容易にします。

• 画像オーバーレイによる推論結果の表示：Weights & Biases のインタラクティブなオーバーレイを使用して、画像上で予測結果を視覚化。Weights & Biases' 画像オーバーレイ機能の詳細については、こちらのリンクをご覧ください。 Weights & Biases'画像オーバーレイがモデルの推論をどのように視覚化するかをご覧ください。

これらの機能を使用することで、YOLO11 モデルの学習を効果的に追跡、分析、最適化することができ、物体検出タスクの最高のパフォーマンスと効率を確保することができます。

概要

このガイドでは、Ultralytics YOLO Weights & Biases統合について説明しました。この統合により、モデルのトレーニングと予測結果を効率的に追跡し、可視化できることを説明しています。W&Bの強力な機能を活用することで、機械学習のワークフローを合理化し、データに基づいた意思決定を行い、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公式ドキュメントをご覧いただくか、YOLO VISION 2023のSoumik Rakshitのプレゼンテーションをご覧ください。

また、Ultralytics 統合ガイドページでは、MLflowや Comet MLなど、さまざまなエキサイティングな統合について詳しくご紹介しています。

よくあるご質問

Weights & Biases をUltralytics YOLO11 と統合するには？

Weights & Biases をUltralytics YOLO11 と統合する：

1. 必要なパッケージをインストールする：

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Weights & Biases アカウントにログインしてください：

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

3. W&B ロギングを有効にしてYOLO11 モデルをトレーニングする：

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

これにより、メトリクス、ハイパーパラメータ、およびモデルの成果物が自動的にW&Bプロジェクトに記録されます。

Weights & Biases とYOLO11 の統合の主な特徴は？

主な特徴は以下の通り：

• 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
• さまざまなトレーニング走行の比較分析
• トレーニングの進捗状況をグラフで可視化
• リソース監視 (CPU,GPU, メモリ使用量)
• モデル成果物の管理と共有
• 画像オーバーレイによる推論結果の表示

これらの機能は、実験の追跡、モデルの最適化、YOLO11 プロジェクトでの効率的な共同作業に役立つ。

YOLO11 トレーニングのWeights & Biases ダッシュボードはどのように見ることができますか？

W&Bを統合したトレーニングスクリプトを実行した後：

1. W&Bダッシュボードへのリンクがコンソール出力に提供されます。
2. 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てください。
3. プロジェクトに移動して、詳細なメトリクス、ビジュアライゼーション、およびモデルのパフォーマンス・データを表示します。

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、YOLO11 モデルを効果的に分析、改善することができます。

YOLO11 トレーニングでWeights & Biases のロギングを無効にできますか？

はい、以下のコマンドを使ってW&Bロギングを無効にすることができます：

yolo settings wandb=False

ロギングを再度有効にするには

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ロギングを使用するタイミングを制御することができます。

YOLO11 モデルの最適化において、Weights & Biases はどのように役立つのか？

Weights & Biases は、YOLO11 モデルの最適化を支援する：

1. トレーニングメトリクスの詳細なビジュアライゼーションの提供
2. 異なるモデル間の比較が容易
3. ハイパーパラメータ・チューニングのためのツールを提供
4. モデル性能の共同分析を可能にする
5. モデル成果物および結果の容易な共有の促進

これらの機能は、研究者や開発者がより速く反復し、YOLO11 モデルを改善するためにデータ駆動型の決定を下すのに役立つ。

📅作成：1年前 ✏️更新：1日前

コメント