Ultralytics YOLOによるモデルのトレーニング#

はじめに#

ディープラーニングモデルのトレーニングでは、データをモデルに入力し、正確な予測ができるようにパラメーターを調整します。Ultralytics YOLO26のtrainモードは、最新のハードウェア性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できるよう設計されています。このガイドでは、YOLO26の堅牢な機能を使って独自のモデルをトレーニングするために必要な情報をすべて説明します。Ultralyticsをまだインストールしていない場合は、クイックスタートガイドから始めてください。

トレーニングの使用例については、未リリースのYOLO27プレビューをご覧ください。

トレーニングにUltralytics YOLOを選ぶ理由#

YOLO26のtrainモードを選ぶべき理由をいくつかご紹介します。

• 効率性：単一GPU構成でも複数GPUに拡張する場合でも、ハードウェアを最大限に活用できます。
• 汎用性：COCO、VOC、ImageNetなどの既存データセットに加え、カスタムデータセットでもトレーニングできます。
• 使いやすさ：シンプルながら強力なCLIとPythonインターフェースにより、スムーズにトレーニングできます。
• ハイパーパラメーターの柔軟性：モデルの性能を微調整するために、幅広いハイパーパラメーターをカスタマイズできます。さらに細かく制御するには、トレーナー自体をカスタマイズできます。
• クラウドトレーニング：Ultralytics Platformを通じてクラウドGPUでトレーニングでき、リアルタイムの指標と自動チェックポイント保存を利用できます。

trainモードの主な機能#

YOLO26のtrainモードの主な機能は次のとおりです。

• データセットの自動ダウンロード：ダウンロード元が指定されたデータセット設定は、初回使用時に自動でダウンロードされます（例：yolo train data=coco8.yaml）。対応する形式とデータセットについては、データセットの概要をご覧ください。
• マルチGPU対応：複数のGPUにトレーニングをシームレスに拡張して、処理を高速化できます。
• ハイパーパラメーターの設定：YAML設定ファイルまたはCLI引数を使って、ハイパーパラメーターを変更できます。
• 可視化とモニタリング：トレーニング指標をリアルタイムで追跡し、学習プロセスを可視化することで、より深い分析が可能になります。

使用例#

COCO8データセットでYOLO26nを、画像サイズ640、エポック数100でトレーニングします。トレーニングデバイスはdevice引数で指定できます。引数を指定しない場合、利用可能であればGPU device=0が使用され、そうでなければdevice='cpu'が使用されます。トレーニング引数の一覧は、以下のArgumentsセクションをご覧ください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.yaml")  # YAMLから新しいモデルを構築します
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # YAMLからモデルを構築し、重みを転送します

# モデルをトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

マルチGPUトレーニング#

マルチGPUトレーニングでは、複数のGPUにトレーニング負荷を分散し、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できます。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を指定します。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# GPUを2台使用してモデルをトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# 最もアイドル状態のGPUを2台使用してモデルをトレーニングします
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

AMD GPUでのトレーニングでは、標準的なdevice=0またはdevice=cuda:0の構文でPyTorch ROCmビルドを使用します。ROCmのインストール、マルチGPUトレーニング、AMPに関する注意事項、エクスポート済みモデルのMIGraphX推論については、AMD統合ガイドをご覧ください。

Intel GPUでのトレーニングではdevice=xpu:0を使用します。複数のXPU IDを使用する場合は、XCCLを提供するPyTorchビルドが必要です。

Huawei Ascend NPUでのトレーニング#

Ultralyticsはtorch_npuを通じて、Huawei Ascend NPUでのトレーニングと検証に対応しています。PyTorch用Ascend拡張機能のインストールガイドに従って、互換性のあるCANN、PyTorch、torch_npuの各バージョンをインストールし、Ultralyticsを起動する前にCANN環境を読み込んでください。

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Ascend NPUを1台使用してトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# HCCLを使用してAscend NPUを2台でトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP、検証、チェックポイント保存、再開などの標準的なトレーニング機能は、アクティブなNPUを使用します。AutoBatchは単一NPUでのトレーニングに対応し、複数のNPU IDを指定するとHCCLを通じて分散トレーニングが起動します。トレーニング後のモデルのエクスポートとデプロイについては、Huawei Ascend統合ガイドをご覧ください。

アイドル状態のGPUを使用したトレーニング#

アイドル状態のGPUを使用したトレーニングでは、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を選ばずにリソースの使用を最適化できます。この機能は、使用率の指標と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

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# 最もアイドル状態のGPUを1台使用してトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# 最もアイドル状態のGPUを2台使用してトレーニングします
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

自動選択アルゴリズムは、次の条件を優先します。

1. 現在の使用率が低いGPU
2. 利用可能なメモリ（空きVRAM）が多いGPU

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有用です。システムの状況の変化に自動的に対応し、手動操作なしで最適なリソース割り当てを実現します。

Apple Siliconでの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ため、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独自のシリコン上で計算や画像処理タスクを高性能に実行するためのフレームワークです。

Appleシリコンチップでトレーニングを有効にするには、トレーニングの開始時にデバイスとして「mps」を指定します。Pythonとコマンドラインでの指定例を以下に示します。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# MPSを使用してモデルをトレーニングします
results = model.train(data="coco8.yaml", 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をより効率的に処理できます。詳しいガイダンスと高度な設定オプションについては、PyTorch MPSドキュメントをご覧ください。

中断したトレーニングの再開#

深層学習モデルを扱う際、以前保存した状態からトレーニングを再開できることは重要な機能です。トレーニングプロセスが予期せず中断された場合や、新しいデータまたは追加のエポックでモデルのトレーニングを続けたい場合など、さまざまな状況で役立ちます。

トレーニングを再開すると、Ultralytics YOLOは最後に保存されたモデルの重みを読み込み、オプティマイザーの状態、学習率スケジューラー、エポック番号、データセットも復元します。これにより、中断したところからトレーニングプロセスをシームレスに続けることができます。チェックポイントのデータセットとは別のデータセットで続行するには、data=とともにresumeを明示的に渡します。

trainメソッドを呼び出す際に、resume引数をTrueに設定し、部分的にトレーニングされたモデルの重みを含む.ptファイルへのパスを指定すると、Ultralytics YOLOで簡単にトレーニングを再開できます。

以下は、Pythonとコマンドラインを使用して中断したトレーニングを再開する例です。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("path/to/last.pt")  # 部分的にトレーニングされたモデルを読み込む

# トレーニングを再開する
results = model.train(resume=True)

resume=Trueを設定すると、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、中断したところからトレーニングを続けます。resume引数を省略するか、Falseに設定すると、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に保存されます。また、save_period引数を使用して固定間隔で保存することもできます。そのため、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。

トレーニング設定#

YOLOモデルのトレーニング設定には、トレーニングプロセス中に使用するさまざまなハイパーパラメーターと構成が含まれます。これらの設定は、モデルのパフォーマンス、速度、精度に影響します。主なトレーニング設定には、バッチサイズ、学習率、モメンタム、重み減衰があります。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の構成も、トレーニングプロセスに影響する場合があります。パフォーマンスを最適化するには、これらの設定を慎重に調整し、実験することが重要です。

MuSGDオプティマイザー#

YOLO26では、MuSGDは標準的なSGDの更新と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。

直交化されたMuon更新によって最適化の安定性を高められるため、YOLO26の長時間トレーニングや大規模なデータセットでの使用が推奨されます。

2Dの線形重みと、2Dに再整形された4Dの畳み込みフィルターのみが、SGDとともにMuonスタイルの更新を受けます。バッチ正規化の重みやバイアス項など、その他すべてのパラメーターには標準的なSGDが適用されます。

optimizer=autoを使用すると、Ultralyticsは長時間のトレーニング（通常、反復回数が10000を超える場合）にMuSGDを自動的に選択します。短時間のトレーニングでは、トレーナーはAdamWに切り替えます。autoモードでは、トレーナーが学習率も選択するため、ユーザーが指定したlr0は無視されます。これらの設定を手動で制御するには、optimizer=AdamW lr0=0.001などのオプティマイザーを明示的に選択します。

使用例：

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

実装についてはultralytics/optim/muon.pyを、オプティマイザーの自動選択ロジックについてはBaseTrainer.build_optimizerを参照してください。

データ拡張の設定とハイパーパラメーター#

データ拡張手法は、トレーニングデータに変化を加え、モデルが未知のデータにも適切に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高めるために不可欠です。以下の表に、各データ拡張引数の目的と効果を示します。

これらの設定は、データセットと対象タスクの具体的な要件に合わせて調整できます。さまざまな値を試すことで、モデルのパフォーマンスを最大化する最適なデータ拡張戦略を見つけられます。

ロギング#

トレーニングメトリクス、プロット、チェックポイントは常に実行ディレクトリに書き込まれます。また、Ultralyticsはインストールして有効化した実験トラッカーにもデータをストリーミングします：Comet、ClearML、TensorBoard、MLflow、Weights & Biases、DVCLive。各ロガーの有効化と無効化は、Ultralyticsの設定から切り替えます（例：yolo settings tensorboard=True）。以下に、最も一般的な3つの設定例を示します。

Comet#

Cometは、データサイエンティストや開発者が実験とモデルを追跡、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、コード差分、ハイパーパラメーター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.login()

CometのWebサイトでアカウントにサインインし、APIキーを取得してください。実験を記録するには、APIキー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、リソースを効率的に共有できるオープンソースプラットフォームです。チームがMLの作業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、ブラウザーで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用の可視化ツールキットです。TensorFlowのグラフを可視化したり、グラフの実行に関する定量的なメトリクスをプロットしたり、グラフを通過する画像などの追加データを表示したりできます。

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で結果を確認してください。

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

これによりTensorBoardが起動し、トレーニングログが保存されているディレクトリが指定されます。

ロガーを設定したら、モデルのトレーニングを開始できます。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ます。ログを確認して、時間の経過に伴うモデルのパフォーマンスを監視したり、異なるモデルを比較したり、改善すべき領域を特定したりできます。

次のステップ#

トレーニング済みモデルを保留データで検証し、実環境での精度を確認してから、ONNX、TensorRT、またはその他のデプロイ形式にエクスポートします。COCO8ではなく独自のデータでトレーニングしますか？まずデータセットガイドに従ってフォーマットしてください。

よくある質問#