Ray 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.

Ultralytics YOLO26 및 Ray Tune으로 튜닝 가속화#

Ultralytics YOLO26은(는) 초매개변수 튜닝을 위해 Ray Tune을 통합하여 YOLO26 모델 초매개변수 최적화를 간소화합니다. Ray Tune을 사용하면 고급 탐색 전략, 병렬 처리 및 조기 종료를 활용하여 튜닝 과정을 가속화할 수 있습니다.

Ray Tune#

Ray Tune은(는) 효율성과 유연성을 위해 설계된 초매개변수 튜닝 라이브러리입니다. 다양한 탐색 전략, 병렬 처리 및 조기 종료 전략을 지원하며, Ultralytics YOLO26을 포함한 인기 machine learning 프레임워크와 원활하게 통합됩니다.

Weights & Biases와의 통합#

또한 YOLO26은 튜닝 과정을 모니터링하기 위해 Weights & Biases과의 선택적 통합을 지원합니다.

설치#

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

사용법#

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)

tune() 메서드 매개변수#

YOLO26의 tune() 메서드는 Ray Tune을 사용한 초매개변수 튜닝을 위한 사용하기 쉬운 인터페이스를 제공합니다. 이 메서드는 튜닝 과정을 사용자 정의할 수 있는 여러 인수를 허용합니다. 각 매개변수에 대한 자세한 설명은 다음과 같습니다:

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

기본 탐색 공간 설명#

다음 표에는 Ray Tune을 사용한 YOLO26 초매개변수 튜닝의 기본 탐색 공간 매개변수가 나열되어 있습니다. 각 매개변수는 tune.uniform()에 의해 정의된 특정 값 범위를 가집니다.

사용자 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,
)

"yolo26n.pt" 사전 학습된 가중치를 사용하여 YOLO 모델을 생성합니다. 그런 다음 "coco8.yaml"로 데이터셋 구성을 지정하면서 tune() 메서드를 호출합니다. 키가 "lr0"이고 값이 tune.uniform(1e-5, 1e-2)인 딕셔너리를 사용하여 초기 학습률 lr0에 대한 커스텀 탐색 공간을 제공합니다. 마지막으로, 에폭 수와 같은 추가 학습 인자를 epochs=50(으)로 tune 메서드에 직접 전달합니다.

탐색 알고리즘 예시#

이름으로 Ray Tune 탐색 전략을 선택할 수 있습니다. 문자열 기반 검색 알고리즘의 경우, Ultralytics는 현재 태스크의 기본 최적화 메트릭과 mode="max"을(를) 자동으로 사용합니다. search_alg이(가) 제공되지 않으면, Ray Tune은 기본 무작위 탐색 전략인 BasicVariantGenerator을(를) 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,
)

Ray Tune으로 중단된 하이퍼파라미터 튜닝 세션 재개하기#

resume=True을(를) 전달하여 중단된 Ray Tune 세션을 재개할 수 있습니다. 재개를 위해 runs/{task} 아래에서 Ray Tune이 사용하는 디렉토리 name을(를) 선택적으로 전달할 수 있습니다. 그렇지 않으면 마지막으로 중단된 세션이 재개됩니다. iterations 및 space은(는) 다시 제공할 필요가 없지만, data 및 epochs을(를) 포함한 나머지 학습 인자는 다시 제공해야 합니다.

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)

Ray 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.

디렉토리에서 튜닝 실험 결과 불러오기#

tuner.fit()을(를) 사용하여 튜닝 실험을 실행한 후, 디렉토리에서 결과를 로드할 수 있습니다. 이는 특히 초기 훈련 스크립트가 종료된 후에 분석을 수행하는 경우에 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()

기본 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!")

기본 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}")

시행에 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()

요약#

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.

초매개변수 튜닝 실험을 최대한 활용하려면 Ray Tune의 Analyze Results 문서 페이지를 살펴보세요.

FAQ#

Ray 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 탐색 전략과 병렬 처리를 활용하여 모델의 초매개변수를 효율적으로 최적화합니다. 자세한 내용은 Ray Tune documentation을(를) 참조하세요.

Ray Tune을 사용한 YOLO26 튜닝의 기본 하이퍼파라미터는 무엇입니까?#

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

이러한 초매개변수는 특정 요구사항에 맞게 사용자 정의할 수 있습니다. 전체 목록과 자세한 내용은 Hyperparameter Tuning 가이드를 참조하세요.

YOLO26 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.

YOLO26으로 하이퍼파라미터 최적화를 수행할 때 왜 Ray Tune을 사용해야 합니까?#

Ray Tune은 하이퍼파라미터 최적화를 위한 수많은 이점을 제공합니다:

• 고급 탐색 전략: 효율적인 매개변수 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 초매개변수를 효과적으로 튜닝할 수 있는 사용하기 쉬운 인터페이스를 제공합니다. 시작하려면 Hyperparameter Tuning 가이드를 확인하세요.

YOLO26 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 과정에서 탐색할 초기 학습률 및 모멘텀과 같은 초매개변수의 범위를 사용자 정의합니다. 고급 설정에 대해서는 Custom Search Space Example 섹션을 참조하세요.