Link to this sectionRay Tune 및 YOLO26을 사용한 효율적인 하이퍼파라미터 튜닝#

하이퍼파라미터 튜닝은 최적의 하이퍼파라미터 조합을 찾아 모델 성능을 극대화하는 데 필수적입니다. 이는 서로 다른 하이퍼파라미터로 실험을 실행하고 각 실험의 성능을 평가하는 과정을 포함합니다.

Link to this sectionUltralytics YOLO26 및 Ray Tune으로 튜닝 가속화#

Ultralytics YOLO26은 하이퍼파라미터 튜닝을 위해 Ray Tune을 통합하여 YOLO26 모델 하이퍼파라미터 최적화 과정을 간소화합니다. Ray Tune을 활용하면 고급 탐색 전략, 병렬 처리, 조기 종료 기능을 사용하여 튜닝 과정을 가속화할 수 있습니다.

Link to this sectionRay Tune#

Ray Tune은 효율성과 유연성을 위해 설계된 하이퍼파라미터 튜닝 라이브러리입니다. 다양한 탐색 전략, 병렬 처리 및 조기 종료 전략을 지원하며 Ultralytics YOLO26을 포함한 인기 머신러닝 프레임워크와 원활하게 통합됩니다.

Link to this sectionWeights & Biases와의 통합#

YOLO26은 튜닝 과정을 모니터링하기 위해 Weights & Biases와의 선택적 통합을 지원합니다.

Link to this section설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

Link to this section사용법#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Link to this sectiontune() 메서드 파라미터#

YOLO26의 tune() 메서드는 Ray Tune을 사용한 하이퍼파라미터 튜닝을 위한 사용하기 쉬운 인터페이스를 제공합니다. 튜닝 과정을 사용자화할 수 있는 여러 인수를 허용하며, 각 파라미터에 대한 자세한 설명은 아래와 같습니다.

이러한 파라미터를 사용자화하여 특정 요구 사항과 사용 가능한 컴퓨팅 리소스에 맞게 하이퍼파라미터 최적화 과정을 미세 조정할 수 있습니다.

Link to this section기본 탐색 공간 설명#

다음 표는 Ray Tune과 함께 YOLO26에서 하이퍼파라미터 튜닝을 위한 기본 탐색 공간 파라미터를 나열합니다. 각 파라미터는 tune.uniform()으로 정의된 특정 값 범위를 가집니다.

Link to this section사용자 지정 탐색 공간 예시#

이 예시에서는 Ray Tune과 YOLO26을 사용한 하이퍼파라미터 튜닝을 위해 사용자 지정 탐색 공간을 사용하는 방법을 설명합니다. 사용자 지정 탐색 공간을 제공하면 관심 있는 특정 하이퍼파라미터에 튜닝 과정을 집중할 수 있습니다.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

In the code snippet above, we create a YOLO model with the "yolo26n.pt" pretrained weights. Then, we call the tune() method, specifying the dataset configuration with "coco8.yaml". We provide a custom search space for the initial learning rate lr0 using a dictionary with the key "lr0" and the value tune.uniform(1e-5, 1e-2). Finally, we pass additional training arguments, such as the number of epochs directly to the tune method as epochs=50.

Link to this section탐색 알고리즘 예시#

이름으로 Ray Tune 탐색 전략을 선택할 수 있습니다. 문자열 기반 탐색 알고리즘의 경우, Ultralytics는 자동으로 현재 작업의 기본 최적화 지표와 mode="max"를 사용합니다. search_alg가 제공되지 않으면 Ray Tune은 기본 무작위 탐색 전략인 BasicVariantGenerator를 사용합니다.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

검색기의 샘플러를 사용자화하거나 지표 및 최적화 모드를 재정의해야 하는 경우, 문자열 대신 인스턴스화된 Ray Tune 검색 객체를 전달하십시오.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Link to this sectionRay Tune으로 중단된 하이퍼파라미터 튜닝 세션 재개하기#

You can resume an interrupted Ray Tune session by passing resume=True. You can optionally pass the directory name used by Ray Tune under runs/{task} to resume. Otherwise, it would resume the last interrupted session. You don't need to provide the iterations and space again, but you need to provide the rest of the training arguments again including data and epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Link to this sectionRay Tune 결과 처리하기#

Ray Tune으로 하이퍼파라미터 튜닝 실험을 실행한 후 얻은 결과에 대해 다양한 분석을 수행할 수 있습니다. 이 가이드는 이러한 결과를 처리하고 분석하는 일반적인 워크플로우를 안내합니다.

Link to this section디렉토리에서 튜닝 실험 결과 불러오기#

tuner.fit()으로 튜닝 실험을 실행한 후, 디렉토리에서 결과를 로드할 수 있습니다. 이는 특히 초기 학습 스크립트가 종료된 후 분석을 수행할 때 유용합니다.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Link to this section기본 실험 수준 분석#

각 시행(trial)이 어떻게 수행되었는지 개요를 확인합니다. 시행 중 오류가 발생했는지 빠르게 점검할 수 있습니다.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Link to this section기본 시행 수준 분석#

개별 시행의 하이퍼파라미터 구성과 마지막으로 보고된 메트릭에 액세스합니다.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Link to this section시행에 대해 보고된 전체 메트릭 기록 플롯하기#

각 시행에 대해 보고된 메트릭 기록을 플롯하여 메트릭이 시간에 따라 어떻게 변화했는지 확인할 수 있습니다.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Link to this section요약#

이 가이드에서는 Ultralytics를 사용하여 Ray Tune으로 실행된 실험 결과를 분석하는 일반적인 워크플로우를 다루었습니다. 주요 단계에는 디렉토리에서 실험 결과 로드, 기본 실험 및 시행 수준 분석 수행, 메트릭 플롯이 포함됩니다.

하이퍼파라미터 튜닝 실험을 최대한 활용하려면 Ray Tune의 Analyze Results 문서 페이지를 참조하여 자세히 알아보십시오.

Link to this sectionFAQ#

Link to this sectionRay Tune을 사용하여 YOLO26 모델의 하이퍼파라미터를 튜닝하려면 어떻게 해야 합니까?#

Ray Tune을 사용하여 Ultralytics YOLO26 모델의 하이퍼파라미터를 튜닝하려면 다음 단계를 따르십시오:

1. 필수 패키지 설치:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging

2. YOLO26 모델 로드 및 튜닝 시작:

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

이는 Ray Tune의 고급 검색 전략과 병렬 처리를 활용하여 모델의 하이퍼파라미터를 효율적으로 최적화합니다. 더 자세한 정보는 Ray Tune 문서를 확인하십시오.

Link to this sectionRay Tune을 사용한 YOLO26 튜닝의 기본 하이퍼파라미터는 무엇입니까?#

Ultralytics YOLO26은 Ray Tune을 사용한 튜닝에 대해 다음 기본 하이퍼파라미터를 사용합니다:

이러한 하이퍼파라미터는 특정 요구 사항에 맞게 사용자 정의할 수 있습니다. 전체 목록과 자세한 내용은 하이퍼파라미터 튜닝 가이드를 참조하십시오.

Link to this sectionYOLO26 모델 튜닝에 Weights & Biases를 어떻게 통합할 수 있습니까?#

Ultralytics YOLO26 튜닝 프로세스에 Weights & Biases(W&B)를 통합하려면:

1. W&B 설치:

   pip install wandb

2. 튜닝 스크립트 수정:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

이 설정을 통해 튜닝 프로세스를 모니터링하고, 하이퍼파라미터 구성을 추적하며, W&B에서 결과를 시각화할 수 있습니다.

Link to this sectionYOLO26으로 하이퍼파라미터 최적화를 수행할 때 왜 Ray Tune을 사용해야 합니까?#

Ray Tune은 하이퍼파라미터 최적화를 위한 수많은 이점을 제공합니다:

• 고급 검색 전략: 효율적인 파라미터 검색을 위해 Bayesian Optimization 및 HyperOpt와 같은 알고리즘을 활용합니다.
• 병렬 처리: 여러 시행의 병렬 실행을 지원하여 튜닝 프로세스 속도를 크게 향상시킵니다.
• 조기 종료: ASHA와 같은 전략을 사용하여 성능이 낮은 시행을 조기에 종료하고 컴퓨팅 리소스를 절약합니다.

Ray Tune은 Ultralytics YOLO26과 원활하게 통합되어 하이퍼파라미터를 효과적으로 튜닝할 수 있는 사용하기 쉬운 인터페이스를 제공합니다. 시작하려면 하이퍼파라미터 튜닝 가이드를 확인하십시오.

Link to this sectionYOLO26 하이퍼파라미터 튜닝을 위한 사용자 정의 검색 공간을 어떻게 정의할 수 있습니까?#

Ray Tune을 사용하여 YOLO26 하이퍼파라미터 튜닝을 위한 사용자 정의 검색 공간을 정의하려면:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

이는 튜닝 프로세스 중에 탐색할 초기 학습률 및 모멘텀과 같은 하이퍼파라미터 범위를 사용자 정의합니다. 고급 구성은 사용자 정의 검색 공간 예제 섹션을 참조하십시오.