Ultralytics YOLO を使用したモデルのトレーニング

はじめに

深層学習モデルの学習では、データを与え、正確な予測ができるようにパラメータを調整します。Ultralytics YOLO11の学習モードは、最新のハードウェア機能を最大限に活用し、オブジェクト検出モデルを効果的かつ効率的に学習できるように設計されています。このガイドでは、YOLO11の堅牢な機能セットを使用して独自のモデルの学習を開始するために必要なすべての詳細を網羅することを目指しています。

見る: Google Colabでカスタムデータセットを使用してYOLOモデルをトレーニングする方法

トレーニングに Ultralytics YOLO を選ぶ理由

YOLO11のTrainモードを選択する説得力のある理由を以下に示します。

• 効率: シングルGPUセットアップでも、複数のGPUに拡張する場合でも、ハードウェアを最大限に活用してください。
• 多様性: COCO、VOC、ImageNetなどのすぐに利用できるデータセットに加えて、カスタムデータセットでトレーニングします。
• ユーザーフレンドリー: シンプルながらも強力なCLIおよびpythonインターフェースにより、容易なトレーニング体験を実現。
• ハイパーパラメータの柔軟性: モデルのパフォーマンスを微調整するための広範なカスタマイズ可能なハイパーパラメータ。

Trainモードの主な特徴

以下は、YOLO11のTrainモードの注目すべき機能の一部です。

• 自動データセットのダウンロード: COCO、VOC、ImageNetなどの標準データセットは、初回使用時に自動的にダウンロードされます。
• マルチGPUサポート: 複数のGPUにまたがってトレーニングをシームレスに拡張し、プロセスを迅速化します。
• ハイパーパラメータ設定: YAML設定ファイルまたはCLI引数を通じてハイパーパラメータを変更するオプション。
• 可視化とモニタリング: より良い洞察を得るために、トレーニング指標のリアルタイム追跡と学習プロセスの可視化。

使用例

COCO8データセットでYOLO11nを100 エポックス 画像サイズ640で実行した場合。トレーニングデバイスは、以下を使用して指定できます。 device 引数。引数が渡されない場合 GPU device=0 利用可能な場合は使用され、そうでない場合は device='cpu' が使用されます。トレーニング引数の完全なリストについては、以下の引数のセクションを参照してください。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Multi-GPU トレーニング

Multi-GPU トレーニングを使用すると、複数の GPU にトレーニング負荷を分散することで、利用可能なハードウェアリソースをより効率的に活用できます。この機能は、python API とコマンドラインインターフェースの両方で使用できます。Multi-GPU トレーニングを有効にするには、使用する GPU デバイス ID を指定します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

アイドルGPUトレーニング

アイドルGPUトレーニングは、マルチGPUシステムで最も使用率の低いGPUを自動的に選択し、手動でGPUを選択しなくてもリソースの使用率を最適化します。この機能は、使用率のメトリックとVRAMの空き状況に基づいて利用可能なGPUを識別します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1,-1

自動選択アルゴリズムは、次の GPU を優先します:

1. より低い現在の使用率
2. より多くの利用可能なメモリ（空きVRAM）
3. より低い温度と消費電力

この機能は、共有コンピューティング環境や、異なるモデル間で複数のトレーニングジョブを実行する場合に特に役立ちます。システムの状態変化に自動的に適応し、手動で介入しなくても最適なリソース配分を保証します。

Apple Silicon MPSトレーニング

Ultralytics YOLOモデルにAppleシリコンチップのサポートが統合されたことで、強力なMetal Performance Shaders（MPS）フレームワークを利用するデバイス上でモデルをトレーニングできるようになりました。MPSは、Appleのカスタムシリコン上で計算および画像処理タスクを実行するための高性能な方法を提供します。

Appleシリコンチップでのトレーニングを有効にするには、トレーニングプロセスを開始するときに、デバイスとして「mps」を指定する必要があります。以下は、pythonおよびコマンドラインでこれを行う方法の例です。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Apple シリコンチップの計算能力を活用することで、トレーニングタスクのより効率的な処理が可能になります。詳細なガイダンスと高度な構成オプションについては、PyTorch MPS のドキュメントを参照してください。

中断された学習の再開

ディープラーニングモデルを扱う際、以前に保存した状態から学習を再開できる機能は非常に重要です。これは、学習プロセスが予期せず中断された場合や、新しいデータで、またはより多くのエポックでモデルの学習を継続したい場合など、さまざまなシナリオで役立ちます。

トレーニングが再開されると、Ultralytics YOLOは最後に保存されたモデルから重みをロードし、オプティマイザの状態、学習率スケジューラ、およびエポック数も復元します。これにより、中断したところからシームレスにトレーニングプロセスを続行できます。

Ultralytics YOLOでのトレーニングは、簡単に再開できます。 resume への引数 True 呼び出すとき train メソッド、およびへのパスを指定します。 .pt 部分的にトレーニングされたモデルの重みを含むファイル。

以下は、pythonおよびコマンドラインを使用して、中断されたトレーニングを再開する方法の例です。

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

設定により resume=True、 train 関数は、'path\/to\/last.pt'ファイルに保存されている状態を使用して、中断したところからトレーニングを継続します。もし、 resume 引数が省略されたか、またはに設定されています False、 train 関数は、新しいトレーニングセッションを開始します。

チェックポイントはデフォルトでエポックの最後に保存されるか、または固定間隔で保存されることに注意してください。 save_period 引数。したがって、トレーニングを再開するには、少なくとも1エポックを完了する必要があります。

学習設定

YOLOモデルの学習設定は、学習プロセス中に使用されるさまざまなハイパーパラメータと構成を含みます。これらの設定は、モデルの性能、速度、および精度に影響を与えます。主な学習設定には、バッチサイズ、学習率、モメンタム、および荷重減衰が含まれます。さらに、オプティマイザ、損失関数、および学習データセットの構成の選択も、学習プロセスに影響を与える可能性があります。性能を最適化するには、これらの設定を注意深く調整し、実験することが重要です。

データ拡張の設定とハイパーパラメータ

データ拡張の手法は、トレーニングデータに多様性をもたらし、モデルが未知のデータに対してより良く一般化できるようにすることで、YOLOモデルのロバスト性とパフォーマンスを向上させるために不可欠です。以下の表は、各データ拡張引数の目的と効果をまとめたものです。

これらの設定は、データセットと当面のタスクの特定の要件を満たすように調整できます。さまざまな値を試すことで、最適なモデルパフォーマンスにつながる最適な拡張戦略を見つけることができます。

ロギング

YOLO11モデルのトレーニングでは、モデルのパフォーマンスを経時的に追跡することが重要です。そこで、ロギングが役立ちます。Ultralytics YOLOは、Comet、ClearML、TensorBoardの3種類のロガーをサポートしています。

ロガーを使用するには、上記のコードスニペットのドロップダウンメニューから選択して実行します。選択したロガーがインストールされ、初期化されます。

Comet

Cometは、データサイエンティストや開発者が実験やモデルを追跡、比較、説明、最適化できるプラットフォームです。リアルタイムメトリクス、コードの差分、ハイパーパラメータの追跡などの機能を提供します。

Cometを使用するには:

# pip install comet_ml
import comet_ml

comet_ml.init()

Cometのアカウントにサインインし、APIキーを取得することを忘れないでください。実験を記録するには、これを環境変数またはスクリプトに追加する必要があります。

ClearML

ClearMLは、実験の追跡を自動化し、リソースの効率的な共有を支援するオープンソースプラットフォームです。チームがML作業をより効率的に管理、実行、および再現できるように設計されています。

ClearMLを使用するには:

# pip install clearml
import clearml

clearml.browser_login()

このスクリプトを実行した後、ブラウザでClearMLアカウントにサインインし、セッションを認証する必要があります。

TensorBoard

TensorBoard は、TensorFlow のための可視化ツールキットです。TensorFlow グラフの可視化、グラフの実行に関する定量的メトリクスのプロット、およびグラフを通過する画像のような追加データの表示が可能です。

Google ColabでTensorBoardを使用するには、次のようにします。

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

TensorBoardをローカルで使用するには、以下のコマンドを実行し、結果を以下で確認してください。 http://localhost:6006/.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

これにより、TensorBoardがロードされ、トレーニングログが保存されているディレクトリに誘導されます。

ロガーを設定した後、モデルのトレーニングに進むことができます。すべてのトレーニングメトリクスは、選択したプラットフォームに自動的に記録され、これらのログにアクセスして、モデルのパフォーマンスを長期的に監視し、異なるモデルを比較し、改善の余地がある領域を特定できます。

よくある質問

Ultralytics YOLO11 を使用して、物体検出モデルをトレーニングするにはどうすればよいですか？

Ultralytics YOLO11を使用してオブジェクト検出モデルを学習させるには、python APIまたはCLIを使用できます。以下は両方の例です。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

詳細については、Train Settingsのセクションを参照してください。

Ultralytics YOLO11のTrainモードの主な特徴は何ですか？

Ultralytics YOLO11 の Train モードの主な機能は次のとおりです。

• 自動データセットのダウンロード: COCO、VOC、ImageNetなどの標準データセットを自動的にダウンロードします。
• マルチGPUサポート: 複数のGPUにまたがるトレーニングを拡張して、処理を高速化します。
• ハイパーパラメータ設定: YAMLファイルまたはCLI引数を通じてハイパーパラメータをカスタマイズします。
• 可視化とモニタリング: より良い洞察を得るためのトレーニング指標のリアルタイム追跡。

これらの機能により、トレーニングが効率的になり、ニーズに合わせてカスタマイズできます。詳細については、Trainモードの主な機能セクションをご覧ください。

Ultralytics YOLO11で中断されたセッションからトレーニングを再開するにはどうすればよいですか？

中断したセッションからトレーニングを再開するには、以下を設定します。 resume への引数 True そして、最後に保存されたチェックポイントへのパスを指定します。

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

詳細については、中断されたトレーニングの再開に関するセクションをご確認ください。

AppleシリコンチップでYOLO11モデルをトレーニングできますか？

はい、Ultralytics YOLO11は、Metal Performance Shaders（MPS）フレームワークを利用して、Appleシリコンチップでのトレーニングをサポートしています。トレーニングデバイスとして「mps」を指定してください。

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

詳細については、Apple Silicon MPS Trainingセクションを参照してください。

一般的なトレーニング設定は何ですか？また、それらをどのように構成しますか？

Ultralytics YOLO11では、引数を通じて、バッチサイズ、学習率、エポック数など、さまざまなトレーニング設定を構成できます。概要を以下に示します。

トレーニング設定の詳細なガイドについては、Train Settingsセクションをご確認ください。

📅 1年前に作成 ✏️ 2か月前に更新

コメント