Link to this sectionUltralytics YOLOによるモデルトレーニング#

Link to this sectionはじめに#

ディープラーニングモデルのトレーニングには、モデルにデータを入力し、正確な予測を行えるようにパラメータを調整するプロセスが含まれます。Ultralytics YOLO26のトレーニングモードは、最新のハードウェア機能を最大限に活用し、物体検出モデルを効果的かつ効率的にトレーニングするように設計されています。本ガイドでは、YOLO26の強力な機能を活用して独自のモデルをトレーニングするための必要な詳細をすべて網羅することを目的としています。

Link to this sectionなぜトレーニングにUltralytics YOLOを選ぶのか？#

YOLO26のトレーニングモードを選択すべき有力な理由は以下の通りです。

• 効率性: シングルGPU構成であっても、複数のGPUにスケーリングする場合でも、ハードウェアの能力を最大限に活用できます。
• 汎用性: COCO、VOC、ImageNetなどのすぐに利用できるデータセットに加え、カスタムデータセットを使用したトレーニングが可能です。
• ユーザーフレンドリー: シンプルでありながら強力なCLIおよびPythonインターフェースにより、直感的なトレーニング体験を提供します。
• 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幅広いカスタマイズ可能なハイパーパラメータを備えています。より詳細な制御が必要な場合は、トレーナー自体をカスタマイズすることも可能です。
• クラウドトレーニング: Ultralytics Platformを介してクラウドGPU上でトレーニングを行い、リアルタイムメトリクスや自動チェックポイント機能を利用できます。

Link to this sectionトレーニングモードの主要機能#

以下は、YOLO26のトレーニングモードの注目すべき機能です。

• 自動データセットダウンロード: COCO、VOC、ImageNetなどの標準的なデータセットは、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間でトレーニングをシームレスにスケールアップし、処理を高速化できます。
• ハイパーパラメータ設定: YAML設定ファイルまたはCLI引数を介してハイパーパラメータを変更するオプションを提供します。
• 視覚化とモニタリング: トレーニングメトリクスのリアルタイム追跡や学習プロセスの視覚化により、より詳細な洞察を得られます。

Link to this section使用例#

COCO8データセットでYOLO26nを100エポック、画像サイズ640でトレーニングします。トレーニングデバイスはdevice引数を使用して指定できます。引数が渡されない場合、利用可能な場合はGPUのdevice=0が使用され、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全リストについては、以下の引数セクションを参照してください。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

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

Link to this sectionマルチGPUトレーニング#

マルチGPUトレーニングでは、トレーニング負荷を複数のGPUに分散させることで、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利用可能です。マルチ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を指定してください。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

Link to this section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システムにおいて最も利用率の低いGPUを自動的に選択し、手動選択の手間を省きながらリソース使用を最適化します。この機能は、利用率メトリクスとVRAMの空き状況に基づいて利用可能なGPUを特定します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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])

自動選択アルゴリズムは、以下のGPUを優先します。

1. 現在の利用率のパーセンテージが低いもの
2. 利用可能なメモリ（空きVRAM）が多いもの
3. 温度と消費電力が低いもの

この機能は、共有コンピューティング環境や、異なるモデルで複数のトレーニングジョブを実行する場合に特に価値があります。システムの状態変化に自動的に適応し、手動操作なしで最適なリソース割り当てを保証します。

Link to this sectionApple Silicon MPSトレーニング#

Ultralytics YOLOモデルにApple Silicon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手段を提供します。

Apple Siliconチップ上でトレーニングを有効にするには、トレーニング開始時にデバイスとして'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("yolo26n.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")

Apple Silicon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処理効率が向上します。詳細なガイダンスや高度な設定オプションについては、PyTorch MPSドキュメントを参照してください。

Link to this section中断されたトレーニングの再開#

以前に保存された状態からトレーニングを再開することは、ディープラーニングモデルを扱う上で極めて重要な機能です。これは、トレーニングプロセスが予期せず中断された場合や、新しいデータでモデルのトレーニングを継続したい場合、あるいはエポック数を増やしたい場合など、さまざまな場面で役立ちます。

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読み込み、オプティマイザーの状態、学習率スケジューラー、およびエポック番号を復元します。これにより、中断した箇所からシームレスにトレーニングプロセスを継続できます。

You can easily resume training in Ultralytics YOLO by setting the resume argument to True when calling the train method, and specifying the path to the .pt file containing the partially trained model weights.

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=Trueに設定することで、train関数は'path/to/last.pt'ファイルに保存された状態を使用して、中断された箇所からトレーニングを継続します。resume引数が省略された場合、またはFalseに設定された場合、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各エポックの終了時、またはsave_period引数を使用して一定の間隔で保存されるため、トレーニングラン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。

Link to this sectionトレーニング設定#

YOLOモデルのトレーニング設定は、トレーニング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や設定を網羅しています。これらの設定は、モデルのパフォーマンス、速度、精度に影響を与えます。主なトレーニング設定には、バッチサイズ、学習率、モーメンタム、重み減衰（Weight Decay）があります。さらに、オプティマイザー、損失関数、トレーニングデータセット構成の選択もトレーニングプロセスに影響を及ぼします。これらの設定を慎重に調整・試行することは、パフォーマンスを最適化する上で極めて重要です。

Link to this sectionMuSGDオプティマイザー#

YOLO26では、MuSGDは標準的なSGD更新とMuonスタイルの直交化更新を組み合わせたハイブリッドオプティマイザーです。

これはYOLO26の長時間トレーニングや大規模データセットに対して推奨され、直交化されたMuon更新が最適化の安定化を助けます。

param.ndim >= 2のパラメータ（畳み込み重みなど）のみがMuonスタイル更新とSGDを同時に受け取り、バッチ正規化層やバイアス項などの低次元パラメータは標準のSGDのままとなります。

optimizer=autoが使用されると、Ultralyticsは長時間トレーニング（通常は反復回数が10000を超える場合）に対して自動的にMuSGDを選択します。短時間のトレーニングでは、トレーナーはAdamWに戻ります。

使用例:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

ultralytics/optim/muon.pyの実装と、BaseTrainer.build_optimizer内のオプティマイザー自動選択ロジックを参照してください。

Link to this sectionデータ拡張設定とハイパーパラメータ#

データ拡張手法は、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も汎化できるようにすることで、YOLO モデルの堅牢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、データセットと対象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、最高の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助けになります。

Link to this sectionログ記録#

YOLO26モデルのトレーニングにおいて、モデルの経時的なパフォーマンスを追跡することは価値があります。ここでログ記録が役立ちます。Ultralytics YOLOは、Comet、ClearML、TensorBoardという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および初期化されます。

Link to this sectionComet#

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。リアルタイムのメトリクス、コード差分、ハイパーパラメータ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のウェブサイトで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。実験を記録するために、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。

Link to this sectionClearML#

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ワークをより効率的に管理、実行、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。

Link to this sectionTensorBoard#

TensorBoardは、TensorFlow用の視覚化ツールキットです。TensorFlowグラフの視覚化、グラフ実行に関する定量的なメトリクスのプロット、そこを通過する画像などの追加データの表示が可能です。

Google ColabでTensorBoardを使用するには：

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、localhost:6006で結果を表示します。

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

これによりTensorBoardが読み込まれ、トレーニングログが保存されているディレクトリにアクセスします。

ロガーの設定が完了したら、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、改善点を特定できます。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionローカルのGPUなしでトレーニングできますか？#

はい。Ultralytics Platformは、無料クレジットを使用してクラウドトレーニングをサポートしています。データセットをアップロードし、モデルとGPUを選択して、ブラウザから直接トレーニングを開始できます。詳細はクラウドトレーニングガイドを参照してください。

Link to this sectionUltralytics YOLO26を使用してオブジェクト検出モデルをトレーニングする方法は？#

Ultralytics YOLO26を使用してオブジェクト検出モデルをトレーニングするには、Python APIまたはCLIを使用できます。以下に両方の例を示します：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

詳細については、トレーニング設定セクションを参照してください。

Link to this sectionUltralytics YOLO26のトレーニングモードの主な機能は何ですか？#

Ultralytics YOLO26のトレーニングモードの主な機能は以下の通りです：

• 自動データセットダウンロード: 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でトレーニングをスケールさせて、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引数を介してハイパーパラメータをカスタマイズします。
• 視覚化と監視: 洞察を深めるためのトレーニングメトリクスのリアルタイム追跡。

これらの機能により、ニーズに合わせて効率的かつカスタマイズ可能なトレーニングが可能になります。詳細については、トレーニングモードの主な機能セクションを参照してください。

Link to this sectionUltralytics YOLO26で中断されたセッションからトレーニングを再開する方法は？#

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、resume引数を True に設定し、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)

詳細については、中断されたトレーニングの再開セクションを確認してください。

Link to this section不均衡なデータセットでモデルをトレーニングする方法は？#

クラスの不均衡は、トレーニングデータにおいて一部のクラスの例が他のクラスよりも大幅に少ない場合に発生します。これにより、モデルが希少なクラスでうまく機能しなくなる可能性があります。Ultralytics YOLOは、この問題に対処するために cls_pw 引数を介したクラス重み付けをサポートしています。

cls_pw 引数は、逆クラス頻度に基づくクラス重み付けの強度を制御します：

• cls_pw=0.0 (デフォルト): クラス重み付けを無効にする
• cls_pw=1.0: 完全な逆頻度重み付けを適用する
• 0.0 から 1.0 の間の値: 中程度の不均衡に対して部分的な重み付けを提供する

クラスの重みは (1.0 / class_counts) ^ cls_pw として計算され、平均が 1.0 になるように正規化されます。

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Link to this sectionAppleシリコンチップでYOLO26モデルをトレーニングできますか？#

はい、Ultralytics YOLO26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("yolo26n.pt")

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

詳細については、AppleシリコンMPSトレーニングセクションを参照してください。

Link to this section一般的なトレーニング設定にはどのようなものがあり、どのように構成しますか？#

Ultralytics YOLO26では、バッチサイズ、学習率、エポックなどのさまざまなトレーニング設定を引数を介して構成できます。概要は以下の通りです：

トレーニング設定の詳細ガイドについては、トレーニング設定セクションを確認してください。