Weights & Biasesによる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ービジョンアプリケーションに不可欠な存在となっています。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、いくつかの課題があります。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、モデルの動作分析、問題の検出には、大規模な計測機構と実験管理が必要です。

このガイドでは、実験追跡、モデルチェックポイント管理、モデル性能の可視化を強化するための、Ultralytics YOLO26とWeights & Biasesの統合について説明します。また、Weights & Biasesのインタラクティブ機能を使用して統合を設定し、トレーニングを実行し、結果を可視化する手順も紹介します。

Weights & Biases#

Weights & Biasesは、機械学習実験の追跡、可視化、管理に特化した最先端の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指標の自動ログ、データ分析を効率化するインタラクティブUI、さまざまな環境へのデプロイに対応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を使用すると、YOLO26のトレーニングプロセスに効率性と自動化を取り入れることができます。この統合により、実験の追跡、モデルの比較、データに基づく意思決定を行い、コンピュータービジョンプロジェクトを改善できます。

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、次を実行します。

# 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の詳しい手順とベストプラクティスについては、YOLO26 Installation guide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中に問題が発生した場合は、解決策とヒントを掲載したCommon Issues guideを参照してください。

Weights & Biasesの設定#

必要なパッケージをインストールしたら、次にWeights & Biases環境を設定します。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、ワークスペースでWeights & Biases環境を初期化します。次のコマンドを実行し、表示される手順に従ってください。

import wandb

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

Weights & Biasesの認証ページに移動して、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を使用したYOLO26のトレーニング#

Weights & Biasesを使用したYOLO26モデルのトレーニング手順を確認する前に、Ultralyticsが提供するYOLO26モデルのラインアップをぜひ確認してください。プロジェクトの要件に最適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("yolo26n.pt")

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

W&B引数#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

出力の理解#

上記の使用方法のコードスニペットを実行すると、次の主要な出力が表示されます。

• 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を示します。
• レイヤー数やパラメーター数など、モデル構造の簡潔な概要が表示されます。
• 各トレーニングエポック中に、ボックス損失、クラス損失、ボックス距離損失、適合率、再現率、mAPスコアなどの重要な指標が定期的に更新されます。
• トレーニングの終了時に、モデルの推論速度や全体的な精度指標など、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、ローカルログファイルの場所に関する情報が表示されます。

Weights & Biasesダッシュボードの表示#

使用方法のコードスニペットを実行すると、出力に表示されるリンクから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を使用した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#

• リアルタイム指標追跡: トレーニング中に変化する損失、精度、検証スコアなどの指標を確認できるため、モデル調整にすぐに役立つ情報を得られます。Weights & Biasesを使用した実験の追跡方法を見る。

• ハイパーパラメーター最適化: Weights & Biasesは、学習率、バッチサイズなどの重要なパラメーターの微調整を支援し、YOLO26の性能を向上させます。これにより、特定のデータセットとタスクに最適な設定を見つけられます。

• 比較分析: このプラットフォームでは、異なるトレーニング実行を横並びで比較できます。さまざまなモデル設定の影響を評価し、どの変更が性能を向上させるかを把握するうえで不可欠です。

• トレーニング進捗の可視化: 主要な指標をグラフで表示することで、エポック全体にわたるモデル性能を直感的に理解できます。Weights & Biasesによる検証結果の可視化方法を見る。

• リソース監視: CPU、GPU、メモリの使用量を追跡して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できます。

• モデルアーティファクト管理: モデルチェックポイントへのアクセスと共有が可能になり、複雑なプロジェクトでのデプロイやチームメンバーとの共同作業を容易にします。

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、物体検出タスクで可能な限り高い性能と効率を実現できます。

まとめ#

このガイドでは、Ultralytics YOLOとWeights & Biasesの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・可視化できることが分かります。W&Bの強力な機能を活用することで、機械学習ワークフローを効率化し、データに基づく意思決定を行い、モデルの性能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の公式ドキュメントをご覧になるか、この統合に関するYOLO VISION 2023でのSoumik Rakshitのプレゼンテーションをご覧ください。

また、Ultralyticsの統合ガイドページも確認して、MLflowやComet MLなど、さまざまな有用な統合について詳しく学んでください。

FAQ#