構成

YOLO 設定とハイパーパラメータは、モデルのパフォーマンス、スピード、精度に重要な役割を果たします。これらの設定とハイパーパラメータは、トレーニング、検証、予測など、モデル開発プロセスのさまざまな段階でモデルの動作に影響を与えます。

見るんだ： MasteringUltralytics YOLO : コンフィギュレーション

Ultralytics コマンドは以下の構文を使う：

yolo TASK MODE ARGS

from ultralytics import YOLO

# Load a YOLO11 model from a pre-trained weights file
model = YOLO("yolo11n.pt")

# Run MODE mode using the custom arguments ARGS (guess TASK)
model.MODE(ARGS)

どこでだ：

• TASK (オプション) は (見つける, セグメント, 分類する, ポーズ, オッブ)
• MODE (必須) は (汽車, 値, 予測, 輸出, トラック, ベンチマーク)
• ARGS (オプション）は arg=value のようなペア。 imgsz=640 デフォルトを上書きする。

デフォルト ARG このページでは cfg/defaults.yaml ファイル.

タスク

YOLO モデルは、検出、セグメンテーション、分類、ポーズなど、さまざまなタスクに使用できる。これらのタスクは、生成される出力のタイプや、解決するために設計された特定の問題が異なります。

• 検出する：画像やビデオ内の対象物や関心領域を特定し、位置を特定する。
• セグメント：画像やビデオを、異なるオブジェクトやクラスに対応する領域やピクセルに分割すること。
• 分類する：入力画像のクラスラベルを予測する。
• ポーズ：画像やビデオ内のオブジェクトを識別し、そのキーポイントを推定する。
• OBB: 衛星画像や医療用画像に適した、オリエンテッド（回転した）バウンディングボックス。

タスクガイド

モード

YOLO モデルは、あなたが解決しようとしている特定の問題に応じて異なるモードで使用することができます。これらのモードには以下が含まれる：

• 訓練する：カスタムデータセットでYOLO11モデルをトレーニングする。
• Val: 学習後のYOLO11モデルの検証用。
• 予測する：新しい画像や動画に対して、学習済みのYOLO11モデルを使って予測を行う。
• エクスポート：YOLO11モデルをデプロイに使用できる形式にエクスポートする。
• 追跡：YOLO11モデルを使ってリアルタイムで物体を追跡する。
• ベンチマーク：YOLO11エクスポート(ONNX,TensorRT など)の速度と精度のベンチマーク用。

モードガイド

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。主要な学習設定には、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。

鉄道ガイド

設定の予測

YOLO モデルの予測設定は、ハイパーパラメータと設定の範囲を包含し、新しいデータに対する推論中のモデルのパフォーマンス、スピード、精度に影響する。特定のタスクに対して最適なパフォーマンスを達成するためには、これらの設定を注意深くチューニングし、実験することが不可欠です。主要な設定には、信頼度閾値、非最大抑制（NMS）閾値、および考慮するクラス数が含まれます。予測プロセスに影響を与えるその他の要因としては、入力データのサイズと形式、マスクやボックスごとの複数のラベルのような補助的な特徴の存在、モデルが採用される特定のタスクなどがある。

推論引数：

可視化の引数：

予測ガイド

バリデーション設定

YOLO モデルのval（検証）設定には、検証データセット上でモデルのパフォーマンスを評価するために使用される様々なハイパーパラメータと設定が含まれる。これらの設定は、モデルの性能、スピード、精度に影響します。一般的なYOLO の検証設定には、バッチサイズ、トレーニング中の検証頻度、性能評価メトリクスが含まれる。検証プロセスに影響を与える他の要因には、検証データセットのサイズや構成、モデルが採用される特定のタスクなどがあります。

検証データセットで最適なパフォーマンスを確保し、オーバーフィッティングを検出・防止するためには、これらの設定を慎重にチューニングし、実験することが極めて重要である。

バルガイド

エクスポート設定

YOLO モデルのエクスポート設定には、異なる環境やプラットフォームで使用するためのモデルの保存やエクスポートに関する設定やオプションが含まれます。これらの設定は、モデルのパフォーマンス、サイズ、さまざまなシステムとの互換性に影響を与える可能性があります。主なエクスポート設定には、エクスポートされるモデルのファイル形式（例：ONNX 、TensorFlow SavedModel ）、ターゲット・デバイス（例：CPU 、GPU ）、およびマスクやボックスごとの複数のラベルなどの追加機能が含まれる。エクスポートプロセスは、モデル固有のタスクや、エクスポート先の環境やプラットフォームの要件や制約にも影響される場合があります。

エクスポートされたモデルが意図されたユースケースに最適化され、ターゲット環境で効果的に機能するように、これらの設定を慎重に構成することが極めて重要です。

輸出ガイド

オーグメンテーションの設定

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、チェックポイント、プロット設定

ロギング、チェックポイント、プロット、ファイル管理は、YOLO モデルをトレーニングする際に重要な考慮事項である。

• ロギング：モデルの進捗を追跡し、問題が発生した場合に診断するために、トレーニング中にさまざまなメトリクスや統計情報をログに記録しておくと役に立つことが多い。これは、TensorBoardのようなロギングライブラリを使用するか、ファイルにログメッセージを書き込むことで行うことができます。
• チェックポイントトレーニング中、一定間隔でモデルのチェックポイントを保存することは良い習慣です。これにより、トレーニングプロセスが中断された場合や、異なるトレーニング設定を試したい場合に、以前のポイントからトレーニングを再開することができます。
• プロットする：モデルのパフォーマンスとトレーニングの進捗を視覚化することは、モデルの振る舞いを理解し、潜在的な問題を特定するのに役立ちます。これは、matplotlibのようなプロットライブラリを使用するか、TensorBoardのようなロギングライブラリを使用してプロットを生成することで行うことができます。
• ファイルの管理：モデルのチェックポイント、ログファイル、プロットなど、トレーニングプロセス中に生成される様々なファイルを管理することは困難です。これらのファイルを追跡し、必要に応じて簡単にアクセスして分析できるように、明確で整理されたファイル構造を持つことが重要です。

効果的なロギング、チェックポイント、プロット、ファイル管理により、モデルの進行状況を把握し、デバッグやトレーニングプロセスの最適化を容易にすることができます。

よくあるご質問

トレーニング中にYOLO モデルのパフォーマンスを向上させるには？

YOLO モデルのパフォーマンスを向上させるには、バッチサイズ、学習率、モメンタム、ウェイト減衰などのハイパーパラメータを調整する必要がある。増強設定の調整、適切なオプティマイザの選択、早期停止や混合精度などのテクニックの採用も役立ちます。トレーニング設定の詳細なガイダンスについては、トレーニングガイドを参照してください。

YOLO モデルの精度を高めるために考慮すべき重要なハイパーパラメータは何か？

YOLO モデルの精度に影響する主なハイパーパラメータには以下のものがある：

• バッチサイズbatch):バッチサイズを大きくすればトレーニングは安定するが、より多くのメモリを必要とする可能性がある。
• 学習率lr0):ウェイトの更新のステップサイズを制御する。レートを小さくすると微調整が可能になるが、収束が遅くなる。
• モメンタム (momentum):勾配ベクトルを正しい方向に加速させ、振動を和らげる。
• 画像サイズimgsz):画像サイズを大きくすれば精度は向上するが、計算負荷は増大する。

あなたのデータセットとハードウェアの能力に基づいてこれらの値を調整してください。詳しくはTrain Settingsセクションをご覧ください。

YOLO モデルをトレーニングする際の学習率はどのように設定するのですか？

学習率(lr0)は最適化にとって極めて重要である。一般的な出発点は 0.01 SGDまたは 0.001 アダムのためにトレーニングの指標をモニターし、必要に応じて調整することが不可欠です。コサイン学習率スケジューラ(cos_lr)やウォームアップ・テクニック(warmup_epochs, warmup_momentum)を使用して、トレーニング中に動的にレートを変更することができます。詳細は 鉄道ガイド.

YOLO モデルのデフォルトの推論設定は？

デフォルトの推論設定は以下の通り：

• 信頼しきい値conf=0.25):検出の最小信頼度。
• IoUしきい値(iou=0.7):ノンマキシマムサプレッション（NMS）用。
• 画像サイズimgsz=640):推論前に入力画像のリサイズを行う。
• デバイスdevice=None):CPU 、またはGPU 。包括的な概要については 設定の予測 セクションと 予測ガイド.

YOLO 、なぜミックスド・プレシジョン・トレーニングを使うべきなのか？

ミックスド・プレシジョン・トレーニング amp=Trueまた、FP16とFP32の両方の利点を活用することで、メモリ使用量を削減し、トレーニングを高速化することができます。これは、混合精度をネイティブにサポートする最新のGPUにとって有益であり、より多くのモデルをメモリに収めることができ、精度を大きく損なうことなく、より高速な計算が可能になります。これについては 鉄道ガイド.

📅作成 1年前 ✏️更新：1ヶ月前

コメント