構成

YOLO settings and hyperparameters play a critical role in the model's performance, speed, and accuracy. These settings and hyperparameters can affect the model's behavior at various stages of the model development process, including training, validation, and prediction.

見るんだ： Mastering Ultralytics YOLO: Configuration

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 (電車, 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：

• Train: For training a YOLO11 model on a custom dataset.
• Val: For validating a YOLO11 model after it has been trained.
• Predict: For making predictions using a trained YOLO11 model on new images or videos.
• Export: For exporting a YOLO11 model to a format that can be used for deployment.
• Track: For tracking objects in real-time using a YOLO11 model.
• Benchmark: For benchmarking YOLO11 exports (ONNX, TensorRT, etc.) speed and accuracy.

モードガイド

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.

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。

Careful tuning and experimentation with these settings are crucial to ensure optimal performance on the validation dataset and detect and prevent overfitting.

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

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、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。

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？

Improving YOLO model performance involves tuning hyperparameters like batch size, learning rate, momentum, and weight decay. Adjusting augmentation settings, selecting the right optimizer, and employing techniques like early stopping or mixed precision can also help. For detailed guidance on training settings, refer to the Train Guide.

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): Selects CPU or GPU for inference. For a comprehensive overview, visit the 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.

📅 Created 11 months ago ✏️ Updated 17 days ago

コメント