Link to this sectionWeights & Biasesを使用したYOLOの実験追跡と可視化#

物体検出モデルであるUltralytics YOLO26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メトリクスの追跡、モデルバリエーションの比較、モデル動作の分析、および問題の検出には、高度な計測と実験管理が必要です。

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。

Link to this sectionWeights & Biases#

Weights & Biases is a cutting-edge MLOps platform designed for tracking, visualizing, and managing machine learning experiments. It features automatic logging of training metrics for full experiment reproducibility, an interactive UI for streamlined data analysis, and efficient model management tools for deploying across various environments.

Link to this sectionWeights & Biasesを使用したYOLO26のトレーニング#

Weights & Biasesを活用することで、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、そしてデータに基づく意思決定が可能となり、コンピュータビジョンプロジェクトを改善できます。

Link to this section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。

# 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、共通の問題ガイドで解決策やヒントを参照してください。

Link to this sectionWeights & 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。

import wandb

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

Weights & Biases認証ページにアクセスし、APIキーを作成・取得します。環境をW&Bで認証するよう求められた際に、このキーを使用してください。

Link to this section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方法を詳しく見る前に、Ultralyticsが提供するYOLO26モデルを確認してください。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。

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")

Link to this sectionW&Bの引数#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this section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。
• Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
• トレーニング終了時に、モデルの推論速度や全体的な精度(accuracy)メトリクス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。

Link to this sectionWeights & 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。

Link to this sectionWeights & 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: トレーニング中に損失、精度、検証スコアなどの指標の変化を観察し、モデル調整のための迅速な洞察を得ることができます。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は、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、YOLO26の性能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や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: 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。

• トレーニング進捗の可視化: 主要なメトリクスのグラフィカルな表現により、エポックを通じたモデルの性能を直感的に把握できます。Weights & Biasesが検証結果の可視化をどのように支援するかをご覧ください。

• 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。

• 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の予測結果を可視化し、実データに対するモデルの性能を明確かつ詳細に確認できます。詳細については、Weights & Biasesの画像オーバーレイ機能をご覧ください。

これらの機能を活用することで、YOLO26モデルのトレーニングを効果的に追跡、分析、最適化し、物体検出タスクにおいて最大限の性能と効率を確保できます。

Link to this section要約#

本ガイドでは、Ultralytics YOLOとWeights & Biasesの統合について解説しました。この統合により、モデルのトレーニングや予測結果を効率的に追跡・可視化できることが理解できたかと思います。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効率化し、データに基づいた意思決定を行い、モデルの性能を向上させることが可能です。

使用方法の詳細については、Weights & Biasesの公式ドキュメントを参照するか、YOLO VISION 2023におけるSoumik Rakshitによる本統合に関するプレゼンテーションをご覧ください。

Also, be sure to check out the Ultralytics integration guide page, to learn more about different exciting integrations like MLflow and Comet ML.

Link to this sectionよくある質問 (FAQ)#

Link to this sectionWeights & 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。

1. 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

2. Weights & Biasesアカウントにログインします。

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

3. 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。

Link to this sectionYOLO26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。

Link to this sectionYOLO26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：

1. 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。
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、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。

Link to this sectionYOLO26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。

Link to this sectionWeights & 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。

1. トレーニングメトリクスの詳細な可視化を提供
2. 異なるモデルバージョン間の比較を容易にする
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。