GitHubでページを編集 (EN)

Weights & BiasesによるYOLO実験のトラッキングと可視化

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欠かせない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、モデルバリアントの比較、モデルの挙動分析、そして問題の検出には、重要なインストゥルメンテーション（計測機能）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ます。これを利用することで、実験のトラッキング、モデルのチェックポイント保存、モデルパフォーマンスの可視化を強化できます。また、Weights & Biasesのインタラクティブな機能を使用した統合設定、トレーニング、微調整、結果の可視化の手順も解説します。

Weights & Biases

Weights and Biases experiment tracking

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.

Weights & Biasesを使用したYOLO26のトレーニング

Weights & Biasesを使用することで、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、実験の追跡やモデルの比較が可能となり、データに基づいた判断を行ってコンピュータ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、以下のコマンドを実行します：

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や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をインストールする際に問題が発生した場合は、一般的な問題ガイドで解決策やヒント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、次はWeights & Biases環境をセットアップします。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円滑に接続するための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。これを行うには、以下のコマンドを実行し、表示される手順に従ってください。

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認証ページにアクセスして、APIキーを作成し取得します。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による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方法に進む前に、Ultralyticsが提供するYOLO26モデル一覧を必ず確認してください。これにより、プロジェクトの要件に最適なモデルを選択できます。

使用方法: Weights & BiasesによるYOLO26のトレーニング
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
projectNone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（run）をグループ化できます。
nameNone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に使用される名前や、W&Bのログ記録で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によるログ記録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のログ記録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、以下のような主要な出力が得られます：

  • 一意のIDを持つ新しい実行のセットアップ。トレーニングプロセスの開始を示します。
  • レイヤー数とパラメータ数を含む、モデル構造の簡潔なサマリー。
  • 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、およびローカルログファイルの保存場所に関する情報。

Weights & Biasesダッシュボードの表示

使用コードを実行した後、出力に表示されたリンクから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を使用したモデルのトレーニングプロセス全体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

  • リアルタイムメトリクスの追跡: トレーニング中に損失、精度、検証スコアなどのメトリクスが変化する様子を観察し、モデル調整のための即時的なインサイト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見る。

  • 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: さまざまなトレーニング実行を並べて比較できるため、異なるモデル設定の影響を評価し、どの変更がパフォーマンスを向上させたかを把握するのに役立ちます。

  • トレーニング経過の可視化: 主要なメトリクスをグラフィカルに表示することで、エポックごとのモデルパフォーマンス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、ワークフロー内のボトルネックを特定します。

  • 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することで、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コラボレーションが容易になります。

  • 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機能を使用して、予測結果を画像上に可視化します。これにより、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参照してください。

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可能な限り最高のパフォーマンスと効率を実現できます。

まとめ

本ガイドでは、Ultralytics YOLOとWeights & Biasesの統合機能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、データに基づく意思決定を行い、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の公式ドキュメントをご覧いただくか、YOLO VISION 2023におけるSoumik Rakshit氏によるこの統合に関するプレゼンテーションを確認してください。

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

FAQ

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

Weights & BiasesとUltralytics YOLO26を統合する方法：

  1. 必要なパッケージのインストール:

    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の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、モデルアーティファクトがW&Bプロジェクトに自動的に記録されます。

YOLO26とWeights & Biasesの統合における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、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ダッシュボードを表示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. W&Bダッシュボードへのリンクがコンソール出力に表示されます。
  2. その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。
  3. プロジェクトに移動して、詳細なメトリクス、可視化、モデルパフォーマンスデータを確認します。

ダッシュボードはモデルのトレーニングプロセスに対する洞察を提供し、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、以下を使用します：

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はどのようにYOLO26モデルの最適化を支援しますか？

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容易な比較を実現
  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. モデルパフォーマンス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

これらの機能は、研究者や開発者がより迅速にイテレーションを繰り返し、データに基づいた判断を行ってYOLO26モデルを改善する一助となります。

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher21RIRizwanMunawar3Y-Y-T-G2JKjk4e1MAMatthewNoyce1AMambitious-octopus1IVIvorZhu3311ABabirami-vina1

コメント