モデル・トレーニングUltralytics YOLO

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、データを与え、正確な予測を行えるようにパラメータを調整することが含まれる。Ultralytics YOLOv8 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のために設計されています。このガイドでは、YOLOv8'の堅牢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カバーすることを目的としています。

見るんだ： Google ColabのカスタムデータセットでYOLOv8 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

YOLOv8 「トレイン」モードを選ぶ説得力のある理由がここにある：

• 効率：シングルGPUのセットアップでも、複数のGPUにまたがるスケーリングでも、ハードウェアを最大限に活用できます。
• 汎用性：COCO、VOC、ImageNetのような入手しやすいデータセットだけでなく、カスタムデータセットでも学習できます。
• ユーザーフレンドリー：シンプルかつパワフルなCLI およびPython インターフェースにより、わかりやすい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：モデルの性能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。

トレイン・モードの主な特徴

以下は、YOLOv8 「トレイン」モードの特筆すべき特徴である：

• 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でシームレスにトレーニング作業を拡張し、プロセスを迅速化します。
• ハイパーパラメータの設定：YAML 設定ファイルまたはCLI 引数を通し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：トレーニングメトリクス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、より良い洞察を得ることができます。

使用例

COCO8データセットを用いて、画像サイズ640で100エポック、YOLOv8n 。学習装置は device 引数を渡す。引数が渡されない場合 device=0 が使用されます。 device='cpu' が使用される。トレーニング引数の全リストは下記の「引数」セクションを参照。

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.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=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.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=yolov8n.yaml pretrained=yolov8n.pt 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することができます。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から利用できます。マルチGPUトレーニングを有効にするには、使用したいGPUデバイスIDを指定します。

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Apple M1およびM2 MPSトレーニング

Ultralytics YOLO モデルに統合されたApple M1およびM2チップのサポートにより、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することが可能になりました。MPSは、Appleのカスタムシリコン上で計算と画像処理タスクを実行する高性能な方法を提供します。

Apple M1およびM2チップ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際に、デバイスとして'mps'を指定する必要があります。以下は、Python 、コマンドラインから行う方法の例です：

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

M1/M2チップの計算能力を活用しながら、トレーニングタスクをより効率的に処理することができます。より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の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

以前に保存した状態から学習を再開することは、ディープラーニング・モデルを扱う上で非常に重要な機能です。これは、学習プロセスが予期せず中断された場合や、新しいデータまたはより多くのエポックでモデルの学習を続行したい場合など、さまざまなシナリオで便利です。

トレーニングが再開されると、Ultralytics YOLO 、最後に保存されたモデルの重みがロードされ、オプティマイザの状態、学習率スケジューラ、エポック数も復元されます。これにより、学習プロセスを中断したところからシームレスに継続することができます。

を設定することで、簡単にUltralytics YOLO でトレーニングを再開することができます。 resume 引数 True を呼び出すときに train メソッドへのパスを指定する。 .pt ファイルには、部分的に学習されたモデルの重みが含まれている。

以下は、Python 、コマンドラインを使って中断し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

セッティング resume=Trueその 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、トレーニングを中断したところから続けます。もし resume 引数が省略されるか、または Falseその train 関数は新しいトレーニングセッションを開始する。

チェックポイントは、デフォルトでは毎エポック終了時に保存される。 save_period そのため、トレーニング走行を再開するには、少なくとも1エポックを完了する必要がある。

列車設定

YOLO モデルの学習設定は、学習プロセスで使用される様々なハイパーパラメータと設定を包含する。これらの設定はモデルのパフォーマンス、スピード、精度に影響を与える。主な学習設定には、バッチサイズ、学習率、モメンタム、ウェイト減衰が含まれる。さらに、オプティマイザ、損失関数、学習データセットの構成などの選択も学習プロセスに影響を与えます。パフォーマンスを最適化するためには、これらの設定を慎重にチューニングし、実験することが重要です。

オーグメンテーションの設定とハイパーパラメータ

オーグメンテーション技術は、学習データに可変性を導入することで、YOLO モデルのロバスト性とパフォーマンスを向上させ、モデルが未知のデータに対してより良く汎化できるようにするために不可欠です。以下の表は、それぞれのオーグメンテーションの目的と効果の概要です：

これらの設定は、データセットと手元のタスクの特定の要件を満たすように調整することができます。異なる値で実験することで、最良のモデル性能につながる最適なオーグメンテーション戦略を見つけることができます。

ロギング

YOLOv8 モデルのトレーニングにおいて、時間の経過とともにモデルのパフォーマンスを追跡することは価値があると思われるかもしれない。ここでロギングが活躍する。Ultralytics'YOLO は、Comet 、ClearML 、TensorBoard の3種類のロガーをサポートしている。

ロガーを使用するには、上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、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。リアルタイムのメトリクス、コードの差分、ハイパーパラメータのトラッキングなどの機能を提供します。

Comet を使用する：

# pip install comet_ml
import comet_ml

comet_ml.init()

ウェブサイトから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ずに。これを環境変数やスクリプトに追加して、実験のログを取る必要があります。

ClearML

ClearMLは、実験のトラッキングを自動化し、リソースの効率的な共有を支援するオープンソースのプラットフォームである。チームがML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る。

ClearML を使用する：

# 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。

テンソルボード

TensorBoardは、TensorFlow 用の可視化ツールキットです。これにより、TensorFlow グラフを視覚化したり、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る。

TensorBoard をGoogle Colab：

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移動します。

ロガーを設定した後、モデルのトレーニングを進めることができます。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、時間の経過とともにモデルのパフォーマンスを監視し、異なるモデルを比較し、改善すべき領域を特定することができます。

コメント