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 YOLOv8 : 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 YOLOv8 model from a pre-trained weights file
model = YOLO('yolov8n.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)
• MODE (必須) は (電車, 値, 予測, 輸出, トラック)
• 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YOLOv8 モデルをトレーニングする。
• Val:YOLOv8 モデルがトレーニングされた後の検証用。
• 予測する：新しい画像や動画に対して、学習済みのYOLOv8 モデルを使って予測を行う。
• エクスポート：YOLOv8 モデルを配置に使用できる形式にエクスポートします。
• 追跡：YOLOv8 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：YOLOv8 （ONNX 、TensorRT など）のエクスポート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と構成、およびモデルが採用される特定のタスクが含まれます。

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ます。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。

コメント