Ultralytics YOLOによるモデルトレーニング

はじめに

深層学習モデルのトレーニングでは、モデルにデータを入力し、パラメータを調整することで正確な予測ができるようにします。Ultralytics YOLO26のTrain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でき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詳細を網羅します。

なぜトレーニングにUltralytics YOLOを選ぶのか？

YOLO26のTrainモードを選択すべき魅力的な理由をいくつか紹介します。

• 効率性: シングルGPU環境でも、複数のGPUにスケールアップする場合でも、ハードウェアの能力を最大限に引き出します。
• 汎用性: COCO、VOC、ImageNetなどのすぐに利用可能な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上でトレーニングを行い、リアルタイムメトリクス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

以下は、YOLO26のTrainモードにおける注目すべき機能です。

• データセットの自動ダウンロード: 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間でトレーニングをシームレスにスケールさせ、処理を高速化します。
• 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できます。
• 可視化とモニタリング: トレーニングメトリクスのリアルタイム追跡と学習プロセスの可視化により、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。引数が指定されない場合、GPUが利用可能であれば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)

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、使用したい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

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使用率の低いGPUを自動選択し、手動でGPUを選択することなくリソース使用を最適化します。この機能は、使用率メトリクスとVRAMの空き状況に基づいて利用可能なGPUを識別します。

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、以下の条件のGPUを優先します：

1. 現在の使用率が低い
2. 利用可能なメモリ（空きVRAM）が多い
3. 温度と消費電力が低い

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非常に有益です。システムの状態変化に自動的に適応し、手動介入なしで最適なリソース割り当てを確保します。

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手段を提供します。

Appleシリコン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'を指定します。以下は、Pythonおよびコマンドラインでの指定方法の例です。

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処理効率が向上します。詳細なガイド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。

中断されたトレーニングの再開

深層学習モデルを扱う際、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、様々な状況で役立ちます。

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ウェイトを読み込み、オプティマイザの状態、学習率スケジューラー、エポック数を復元します。これにより、中断した場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、中断した場所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各エポックの終了時、またはsave_period引数を使用した固定間隔で保存されるため、トレーニングを再開するには最低1エポックを完了させる必要があることに注意してください。

学習設定

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で使用される様々なハイパーパラメータや構成が含まれます。これらの設定は、モデルのパフォーマンス、速度、精度に影響を与えます。主要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、ウェイトディケイがあります。さらに、オプティマイザ、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します。パフォーマンスを最適化するためには、これらの設定を注意深く調整・実験することが不可欠です。

MuSGDオプティマイザ

YOLO26において、MuSGDは標準的なSGD更新とMuon形式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です。

これはYOLO26の長時間のトレーニング実行や大規模なデータセットに推奨されており、直交化されたMuon更新が最適化の安定化に寄与します。

param.ndim >= 2のパラメータ（畳み込みウェイトなど）のみがSGDとともにMuon形式の更新を受け取り、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的なSGDのままとなります。

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10,000イテレーション以上）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

実装はultralytics/optim/muon.pyを、オプティマイザの自動選択ロジックはBaseTrainer.build_optimizerを参照してください。

拡張設定とハイパーパラメータ

拡張（オーグメンテーション）技術は、トレーニングデータに変動性を持たせることでYOLOモデルの堅牢性とパフォーマンスを向上させ、未知のデータに対するモデルの汎化性能を高めるために不可欠です。以下の表は、各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、データセットや実行するタスクの具体的な要件に合わせて調整可能です。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ことができます。

ロギング

YOLO26モデルをトレーニングする際、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は有益です。ここでロギングが役立ちます。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。実験をログに記録するには、この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。チームが機械学習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グラフの可視化、グラフ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

ローカルでTensorBoardを使用するには、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が参照されます。

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ログ記録され、これらのログにアクセス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、改善点を見つけたりすることができます。

FAQ

ローカルGPUなしでトレーニングできますか？

はい。Ultralytics Platformでは、無料クレジットを利用した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。

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を使用して物体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特徴は何ですか？

Ultralytics YOLO26のトレーニングモードの主な特徴は以下の通りです：

• 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間でトレーニングをスケールし、処理を高速化します。
• ハイパーパラメータ設定： YAMLファイルや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。
• 可視化と監視： トレーニングメトリクスのリアルタイム追跡により、詳細な洞察を得られます。

これらの機能により、ニーズに合わせた効率的でカスタマイズ可能なトレーニングが可能です。詳細はトレーニングモードの主な特徴セクションを参照してください。

Ultralytics YOLO26で中断されたトレーニングセッションを再開するにはどうすればよいですか？

中断された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。

不均衡なデータセットでモデルをトレーニングするにはどうすればよいですか？

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、モデルがまれなクラスに対して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引数を通じ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）：クラスの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して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シリコンチップ上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とは何ですか、またそれらをどのように設定しますか？

Ultralytics YOLO26では、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引数を通じて構成できます。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。