Ultralytics YOLOによるモデルトレーニング#

はじめに#

ディープラーニングモデルのトレーニングには、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作業が含まれます。Ultralytics YOLO26のtrainモードは、最新のハードウェア機能をフルに活用し、物体検出モデルの効果的かつ効率的なトレーニングを行うために設計されています。このガイドでは、YOLO26の強力な機能セットを使用して独自のモデルのトレーニングを開始するために必要なすべての詳細を網羅しています。まだUltralyticsを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。

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、カスタマイズ可能な幅広いハイパーパラメータ。より詳細な制御を行うには、トレーナー自体をカスタマイズすることができます。
• クラウドトレーニング: リアルタイムのメトリクスと自動チェックポイント機能を備えたUltralytics Platformを介して、クラウドGPU上でトレーニングを実行します。

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。

• データセットの自動ダウンロード: ダウンロード元が設定されたデータセット構成は、初回使用時に自動的にダウンロードされます（例：yolo train data=coco8.yaml）。サポートされているフォーマット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。

使用例#

COCO8データセットでYOLO26nを画像サイズ640で100エポック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 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完全なリストについては、以下の「引数」セクションをご覧ください。

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)

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

AMD GPUトレーニングでは、標準の device=0 または device=cuda:0 構文を使用してPyTorch ROCmビルドを使用します。インストールおよび現在のMIGraphX、DirectML、Ryzen AI NPUのサポート状況については、AMD統合ガイドをご覧ください。

Intel GPUトレーニングでは、 device=xpu:0 、またはXCCLを提供するPyTorchビルドを使用した複数のXPU IDを使用します。

Huawei Ascend NPU トレーニング#

Ultralyticsでは、torch_npuを介したHuawei Ascend NPUでのトレーニングと検証をサポートしています。Ascend Extension for PyTorch installation guideに従って相互に互換性のあるCANN、PyTorch、およびtorch_npuのバージョンをインストールし、Ultralyticsを開始する前にCANN環境をソースとして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")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
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、再開を含む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トレーニングで使用でき、複数のNPU IDはHCCLを介して分散トレーニングを起動します。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。

Apple 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。

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トレーニングプロセスをシームレスに継続できます。

Ultralytics YOLOでは、trainメソッドを呼び出す際にresume引数にTrueを設定し、部分的にトレーニングされたモデルウェイトを含む.ptファイルのパスを指定することで、トレーニングを簡単に再開できます。

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 を設定することにより、 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行します。 resume 引数が省略されるか False に設定されている場合、 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すべてのエポックの終わりに、または save_period 引数を使用して固定間隔で保存されるため、トレーニング実行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ることに注意してください。

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されるさまざまなハイパーパラメータ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、および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、モメンタム、重み減衰が含まれます。さらに、オプティマイザ、損失関数、およびトレーニングデータセットの構成の選択がトレーニングプロセスに影響を与える可能性があります。パフォーマンスを最適化するためには、これらの設定の慎重な調整と実験が不可欠です。

MuSGD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。

2Dの線形ウェイトと4Dの畳み込みフィルター（2Dにリシェイプされたもの）のみがSGDと共にMuonスタイルのアップデートを受け、バッチ正規化ウェイトやバイアス項などの他のすべてのパラメータは標準のSGDのまま残ります。

optimizer=auto が使用される場合、Ultralyticsは長時間のトレーニング（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。短時間の実行では、トレーナーは AdamW にフォールバックします。

使用例:

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

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

データ拡張設定とハイパーパラメータ#

データ拡張テクニックは、トレーニングデータに多様性を導入してモデルが未見のデータに対してより良く汎化するのを助けることで、YOLOモデルの頑健性とパフォーマンスを向上させるために不可欠です。次の表は、各データ拡張引数の目的と効果の概要を示しています：

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。

ログ記録#

YOLO26モデルのトレーニングにおいて、時間の経過に伴うモデルのパフォーマンスを追跡することが役立つ場合があります。ここでロギングの出番となります。Ultralytics YOLOは、Comet、ClearML、および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および初期化されます。

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。リアルタイムのメトリクス、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。

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用の視覚化ツールキットです。TensorFlowグラフの視覚化、グラフの実行に関する定量的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を行うことができます。

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。

次のステップ#

ホールドアウトデータに対してトレーニング済みモデルを検証して現実世界での精度を確認し、その後ONNX、TensorRT、または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を使用してフォーマットしてください。

よくある質問 (FAQ)#

ローカルのGPUなしでトレーニングできますか？#

はい。Ultralytics Platformクラウドトレーニングには、開始するための無料クレジットが含まれています。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行います。

Ultralytics YOLO26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 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。

Ultralytics 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、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可能になります。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 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に関するセクションを確認してください。

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内の他のクラスに比べて特定のクラスのサンプル数が大幅に少ない場合に発生します。これにより、モデルの稀なクラスに対するパフォーマンスが低下す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いてクラス重み付けの累乗を制御します：

• cls_pw=0.0 （デフォルト）: クラス重み付けを無効にします
• cls_pw=1.0 : 完全な逆頻度重み付けを適用します
• 0.0 から 1.0 の間の値: 中程度の不均衡に対する部分的な重み付けを提供します

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)

Apple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。

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：

トレーニング設定に関する詳細なガイドについては、トレーニング設定セクションを確認してください。