モデル・トレーニングUltralytics YOLO

はじめに

Training a deep learning model involves feeding it data and adjusting its parameters so that it can make accurate predictions. Train mode in Ultralytics YOLO11 is engineered for effective and efficient training of object detection models, fully utilizing modern hardware capabilities. This guide aims to cover all the details you need to get started with training your own models using YOLO11's robust set of features.

見るんだ： How to Train a YOLO model on Your Custom Dataset in Google Colab.

トレーニングにUltralytics YOLO を選ぶ理由

Here are some compelling reasons to opt for YOLO11's Train mode:

• 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

The following are some notable features of YOLO11's Train mode:

• 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の規模を拡大し、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

Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. The training device can be specified using the device 引数を渡す。引数が渡されない場合GPU 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("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.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=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.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=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

マルチGPU トレーニング

マルチGPU トレーニングは、トレーニング負荷を複数のGPUに分散することで、利用可能なハードウェアリソースをより効率的に利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 を指定します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640 device=0,1

Apple M1 and M2MPS 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、アップル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("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.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 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。

When training is resumed, Ultralytics YOLO loads the weights from the last saved model and also restores the optimizer state, learning rate scheduler, and the epoch number. This allows you to continue the training process seamlessly from where it was left off.

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。

Remember that checkpoints are saved at the end of every epoch by default, or at fixed intervals using the 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

The training settings for YOLO models encompass various hyperparameters and configurations used during the training process. These settings influence the model's performance, speed, and accuracy. Key training settings include batch size, learning rate, momentum, and weight decay. Additionally, the choice of optimizer, loss function, and training dataset composition can impact the training process. Careful tuning and experimentation with these settings are crucial for optimizing performance.

オーグメンテーションの設定とハイパーパラメータ

Augmentation techniques are essential for improving the robustness and performance of YOLO models by introducing variability into the training data, helping the model generalize better to unseen data. The following table outlines the purpose and effect of each augmentation argument:

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

In training a YOLO11 model, you might find it valuable to keep track of the model's performance over time. This is where logging comes into play. Ultralytics' YOLO provides support for three types of loggers - Comet, ClearML, and TensorBoard.

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 is a visualization toolkit for TensorFlow. It allows you to visualize your TensorFlow graph, plot quantitative metrics about the execution of your graph, and show additional data like images that pass through it.

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。

よくあるご質問

How do I train an object detection model using Ultralytics YOLO11?

To train an object detection model using Ultralytics YOLO11, you can either use the Python API or the CLI. Below is an example for both:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

詳細については、列車設定のセクションを参照してください。

What are the key features of Ultralytics YOLO11's Train mode?

The key features of Ultralytics YOLO11's Train mode include:

• 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、より高速な処理を実現。
• ハイパーパラメータの設定：YAML ファイルまたはCLI 引数でハイパーパラメータをカスタマイズ。
• 可視化とモニタリング：より良い洞察のためのトレーニングメトリクスのリアルタイムトラッキング。

これらの機能により、トレーニングを効率的に行い、ニーズに合わせてカスタマイズすることができます。詳細については、トレインモードの主な機能のセクションをご覧ください。

How do I resume training from an interrupted session in Ultralytics YOLO11?

中断したセッションからトレーニングを再開するには resume 引数 True を選択し、最後に保存したチェックポイントへのパスを指定する。

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

詳しくは、「中断されたトレーニングの再開」のセクションをご覧ください。

Can I train YOLO11 models on Apple M1 and M2 chips?

Yes, Ultralytics YOLO11 supports training on Apple M1 and M2 chips utilizing the Metal Performance Shaders (MPS) framework. Specify 'mps' as your training device.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

詳細については、Apple M1 and M2MPS Trainingセクションをご参照ください。

一般的なトレーニングの設定とその方法は？

Ultralytics YOLO11 allows you to configure a variety of training settings such as batch size, learning rate, epochs, and more through arguments. Here's a brief overview:

トレーニング設定の詳細については、トレーニング設定のセクションをご覧ください。

📅 Created 11 months ago ✏️ Updated 6 days ago

コメント