Weights & BiasesによるYOLOの実験追跡と可視化#

物体検出モデル、たとえばUltralytics YOLO26のようなモデルは、多くのコンピュータービジョンアプリケーションに欠かせない存在となっています。しかし、こうした複雑なモデルのトレーニング、評価、デプロイには、いくつもの課題があります。主要なトレーニング指標の追跡、モデルのバリエーションの比較、モデルの挙動の分析、問題の検出には、多くの計測機能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の管理、モデル性能の可視化を強化するための、Ultralytics YOLO26とWeights & Biasesの連携を紹介します。また、Weights & Biasesのインタラクティブ機能を使った連携の設定、トレーニング、結果の可視化についても説明します。

Weights & Biases#

Weights & Biasesは、機械学習オペレーション（MLOps）プラットフォームであり、機械学習の実験を追跡、可視化、管理するために設計されています。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に役立つ効率的なモデル管理ツールを備えています。

Weights & Biasesを使った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を効率化し、自動化できます。この連携により、実験の追跡やモデルの比較が可能になり、データに基づく意思決定を通じて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。

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

# Weights & Biases環境を初期化します
wandb.login(key="YOUR_API_KEY")

Weights & Biasesの認証ページにアクセスして、APIキーを作成し、取得してください。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。

使い方：Weights & Biasesを使ったYOLO26のトレーニング#

Weights & Biasesを使ったYOLO26モデルのトレーニング方法を確認する前に、Ultralyticsが提供するYOLO26モデルをご覧ください。プロジェクトの要件に最適なモデルを選ぶ際に役立ちます。

from ultralytics import YOLO

# YOLOモデルを読み込む
model = YOLO("yolo26n.pt")

# モデルのトレーニングとファインチューニング
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

W&Bの引数#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

出力の解説#

上記の使用例のコードスニペットを実行すると、次のような主要な出力が表示されます。

• 固有の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を含む、モデル構造の簡潔な概要です。
• 各トレーニングエポックで、box loss、cls loss、box-distance loss、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。
• トレーニングの最後に、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に利用できる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保存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#

使用例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#

• リアルタイムの指標追跡：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し、モデル調整にすぐに役立つ情報を得られます。Weights & Biasesを使った実験追跡の方法をご覧ください。

• ハイパーパラメーターの最適化：Weights & Biasesは、学習率、バッチサイズなどの重要なパラメーターの調整を支援し、YOLO26の性能を向上させます。特定のデータセットやタスクに最適な設定を見つけるのに役立ちます。

• 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並べて比較できます。さまざまなモデル設定の影響を評価し、どの変更が性能向上につながるかを把握するうえで重要です。

• 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、エポックごとのモデル性能を直感的に把握できます。Weights & Biasesを使って検証結果を可視化する方法をご覧ください。

• リソースのモニタリング：CPU、GPU、メモリの使用状況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の管理：モデルチェックポイントにアクセスして共有できるため、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が容易になります。

これらの機能を使うと、YOLO26モデルのトレーニングを効果的に追跡、分析、最適化でき、物体検出タスクで最高の性能と効率を実現できます。

概要#

このガイドでは、Ultralytics YOLOとWeights & Biasesの連携について説明しました。この連携により、モデルのトレーニングや予測結果を効率的に追跡し、可視化できることを紹介しました。W&Bの強力な機能を活用すると、機械学習の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。

使い方の詳細については、Weights & Biasesの公式ドキュメントをご覧いただくか、この連携に関するYOLO VISION 2023でのSoumik Rakshitの発表をご覧ください。

また、Ultralyticsの連携ガイドページもぜひご覧ください。MLflowやComet MLなど、さまざまな連携について詳しく確認できます。

よくある質問#