Ray Tune과 YOLO26을 활용한 효율적인 하이퍼파라미터 튜닝#

최적의 하이퍼파라미터 집합을 찾아 모델 성능을 극대화하려면 하이퍼파라미터 튜닝이 중요합니다. 여기에는 다양한 하이퍼파라미터로 여러 번의 trial을 실행하고 각 trial의 성능을 평가하는 과정이 포함됩니다.

Ultralytics YOLO26과 Ray Tune으로 튜닝 속도 향상#

Ultralytics YOLO26은 하이퍼파라미터 튜닝에 Ray Tune을 통합하여 YOLO26 모델 하이퍼파라미터 최적화를 간소화합니다. Ray Tune을 사용하면 고급 검색 전략, 병렬 처리, 조기 종료를 활용해 튜닝 프로세스를 단축할 수 있습니다.

Ray Tune#

Ray Tune은 효율성과 유연성을 고려해 설계된 하이퍼파라미터 튜닝 라이브러리입니다. 다양한 검색 전략, 병렬 처리, 조기 종료 전략을 지원하며 Ultralytics YOLO26을 비롯한 인기 있는 머신러닝 프레임워크와 원활하게 통합됩니다.

Weights & Biases 통합#

YOLO26은 튜닝 프로세스를 모니터링하기 위해 Weights & Biases와 선택적으로 통합할 수도 있습니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

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

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

사용법#

from ultralytics import YOLO

# YOLO26n 모델 로드
model = YOLO("yolo26n.pt")

# COCO8 데이터셋에서 YOLO26n 학습을 위한 하이퍼파라미터 튜닝 시작
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() 메서드 매개변수#

YOLO26의 tune() 메서드는 Ray Tune을 사용한 하이퍼파라미터 튜닝을 위한 사용하기 쉬운 인터페이스를 제공합니다. 이 메서드는 튜닝 프로세스를 맞춤 설정할 수 있는 여러 인수를 받습니다. 아래에서 각 매개변수를 자세히 설명합니다.

이러한 매개변수를 맞춤 설정하면 특정 요구사항과 사용 가능한 컴퓨팅 리소스에 맞게 하이퍼파라미터 최적화 프로세스를 세밀하게 조정할 수 있습니다.

기본 검색 공간 설명#

다음 표에는 Ray Tune을 사용한 YOLO26 하이퍼파라미터 튜닝의 기본 검색 공간 매개변수가 나와 있습니다. 각 매개변수에는 tune.uniform()으로 정의된 특정 값 범위가 있으며, close_mosaic은 예외적으로 tune.randint()를 사용합니다.

사용자 지정 검색 공간 예제#

이 예제에서는 Ray Tune과 YOLO26을 사용한 하이퍼파라미터 튜닝에 사용자 지정 검색 공간을 적용하는 방법을 보여줍니다. 사용자 지정 검색 공간을 제공하면 관심 있는 특정 하이퍼파라미터에 튜닝 프로세스를 집중할 수 있습니다.

from ray import tune

from ultralytics import YOLO

# YOLO 모델 정의
model = YOLO("yolo26n.pt")

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

위 코드 스니펫에서는 "yolo26n.pt" 사전 학습 가중치를 사용해 YOLO 모델을 생성합니다. 그런 다음 "coco8.yaml"로 데이터셋 구성을 지정하여 tune() 메서드를 호출합니다. "lr0" 키와 tune.uniform(1e-5, 1e-2) 값을 사용하는 딕셔너리로 초기 학습률 lr0에 대한 사용자 지정 검색 공간을 제공합니다. 마지막으로 epoch 수와 같은 추가 학습 인수를 epochs=50으로 튜닝 메서드에 직접 전달합니다.

검색 알고리즘 예제#

Ray Tune 검색 전략을 이름으로 선택할 수 있습니다. 문자열 기반 검색 알고리즘의 경우 Ultralytics는 현재 작업의 기본 최적화 메트릭과 mode="max"를 자동으로 사용합니다. search_alg을 제공하지 않으면 Ultralytics는 병렬 처리를 고려한 제안을 사용하는 Optuna 다변량 TPE를 사용합니다.

from ultralytics import YOLO

# YOLO 모델 정의
model = YOLO("yolo26n.pt")

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

searcher의 샘플러를 맞춤 설정하거나 메트릭 및 최적화 모드를 재정의해야 하는 경우 문자열 대신 인스턴스화된 Ray Tune searcher 객체를 전달합니다.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# YOLO 모델 정의
model = YOLO("yolo26n.pt")

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

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

Ray Tune으로 중단된 하이퍼파라미터 튜닝 세션 재개#

resume=True을 전달하면 중단된 Ray Tune 세션을 재개할 수 있습니다. 선택적으로 Ray Tune이 사용하는 디렉터리 name을 runs/{task}에 전달하여 재개할 수도 있습니다. 이를 지정하지 않으면 마지막으로 중단된 세션이 재개됩니다. iterations 및 space를 다시 제공할 필요는 없지만, data 및 epochs을 포함한 나머지 학습 인수는 다시 제공해야 합니다.

from ultralytics import YOLO

# YOLO 모델 정의
model = YOLO("yolo26n.pt")

# 이전 실행 재개
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# 이름이 'tune_exp_2'인 Ray Tune 실행 재개
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Ray Tune 결과 처리#

Ray Tune으로 하이퍼파라미터 튜닝 실험을 실행한 후에는 얻은 결과를 다양하게 분석할 수 있습니다. 이 가이드에서는 이러한 결과를 처리하고 분석하는 일반적인 워크플로를 안내합니다.

디렉터리에서 Tune 실험 결과 로드#

model.tune(use_ray=True)은 Ray ResultGrid을 반환하고 실험을 runs/{task}/tune 또는 전달한 name에 저장합니다. 원래 스크립트가 종료된 후 결과를 로드하려면 세션을 재개합니다. 그러면 저장된 trial이 복원되고 동일한 ResultGrid가 반환됩니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

기본 실험 수준 분석#

trial의 성능을 개괄적으로 확인합니다. trial 중 오류가 발생했는지 빠르게 확인할 수 있습니다.

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

기본 trial 수준 분석#

개별 trial의 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}")

trial에서 보고된 메트릭 전체 이력 시각화#

각 trial에서 보고된 메트릭의 이력을 시각화하여 시간이 지남에 따라 메트릭이 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["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

요약#

이 가이드에서는 Ultralytics를 사용해 Ray Tune으로 실행한 실험 결과를 분석하는 일반적인 워크플로를 다뤘습니다. 주요 단계에는 디렉터리에서 실험 결과를 로드하고, 기본적인 실험 수준 및 trial 수준 분석을 수행하고, 메트릭을 시각화하는 과정이 포함됩니다.

하이퍼파라미터 튜닝 실험을 최대한 활용하려면 Ray Tune의 결과 분석 문서를 살펴보세요.

자주 묻는 질문#