Ultralytics YOLO11とDVCによる実験追跡

マシンが視覚データを解釈・理解するように学習させるコンピュータビジョン実験のトラッキングと監視は、Ultralytics YOLO11のようなビジョンAIモデルを開発・微調整する上で不可欠な工程です。これらの実験では、多くの場合、異なる主要パラメータをテストし、複数のモデルトレーニング実行からメトリクスや結果をログに記録します。これにより、モデルのパフォーマンスを分析し、データに基づいたモデルの改善を行うことができます。

明確に定義された実験トラッキングシステムがないと、結果の比較やモデルの変更作業が複雑になり、エラーが発生しやすくなります。実際、このプロセスを自動化することは、より高い整合性を確保するための素晴らしい選択肢です。

UltralyticsがサポートするDVCLive連携は、まさにそれを実現するためのものです。DVCLiveは、実験の詳細を自動的に記録し、結果を可視化し、モデルのパフォーマンス追跡を管理するための簡素化された方法を、単一のワークフロー内で提供します。

本記事では、Ultralytics YOLO11のトレーニング中にDVCLive連携を使用する方法を解説します。また、その利点や、より優れたビジョンAIモデル開発のために実験トラッキングをどのように容易にするかについても見ていきます。

Link to this sectionDVCLiveとは何ですか？#

DVC (Data Version Control) によって作成されたDVCLiveは、機械学習実験をトラッキングするために設計された、信頼性の高いオープンソースツールです。DVCLive Pythonライブラリは、AI開発者や研究者が実験のメトリクスやパラメータをトラッキングできるリアルタイムの実験ロガーを提供します。

例えば、主要なモデルパフォーマンスメトリクスを自動的に記録し、トレーニング実行間での結果を比較し、モデルのパフォーマンスを可視化できます。これらの機能により、DVCLiveは構造化された再現性の高い機械学習ワークフローを維持するのに役立ちます。

図1. 実験トラッキング用のDVCLiveダッシュボードの概要。

Link to this sectionDVCLiveの主な機能#

DVCLive連携は使いやすく、明確で理解しやすいデータ可視化および分析ツールを提供することで、コンピュータビジョンプロジェクトを改善できます。DVCLiveのその他の主な機能は以下の通りです。

• 多様なフレームワークをサポート: DVCLiveは他の一般的な機械学習フレームワークと併用できます。これにより、既存のワークフローへの組み込みや、実験トラッキング機能の向上を容易に行うことができます。

• インタラクティブなプロット: データからインタラクティブなプロットを自動生成し、時間経過に伴うパフォーマンスメトリクスの視覚的な表現を提供するために使用できます。

• 軽量な設計: DVCLiveは、異なるプロジェクトや環境で使用できる、軽量で柔軟かつアクセスしやすいライブラリです。

Link to this sectionDVCLive連携を使用すべき理由は何ですか？#

Ultralyticsのドキュメントを確認し、利用可能な連携を調べる中で、DVCLive連携は何が特別で、なぜ自分のワークフローに選ぶべきなのか、疑問に思うかもしれません。

TensorBoardやMLflowのように、メトリクスのトラッキングや結果の可視化ツールを提供する他の連携がある中で、この連携が際立つ独自の強みを理解しておくことは重要です。

DVCLiveがUltralytics YOLOプロジェクトにとって理想的な選択肢となり得る理由は以下の通りです。

• 最小限のオーバーヘッド: DVCLiveは、追加の計算やストレージ負荷をかけることなく実験メトリクスを記録できる優れたツールです。ログをプレーンテキストまたはJSONファイルとして保存するため、外部サービスやデータベースに依存せずに既存のワークフローへ容易に統合できます。

• DVCとのネイティブ連携: DVCの背後にあるチームによって構築されたDVCLiveは、DVCのデータおよびモデルバージョン管理システムとスムーズに連携します。また、ユーザーはデータセットのバージョン、モデルチェックポイント、パイプラインの変更をトラッキングできるため、機械学習の再現性のためにすでにDVCを使用しているチームに最適です。

• Git互換: DVCLiveはGitと統合されているため、変更のトラッキング、モデルの比較、以前のバージョンへの復元を容易に行うことができ、実験データを整理してバージョン管理下に置くことができます。

Link to this sectionDVCLiveの利用を開始する#

Ultralytics YOLO11モデルのトレーニングをDVCLiveでトラッキングするのは、予想以上に簡単です。必要なライブラリをインストールして設定すれば、YOLO11モデルのカスタムトレーニングをすぐに開始できます。

トレーニング後、エポック数（モデルがデータセット全体を処理する回数）、patience（改善がない場合に停止するまでの待機時間）、ターゲット画像サイズ（トレーニングに使用される画像の解像度）などの主要な設定を調整して、精度を向上させることができます。その後、DVCLiveの可視化ツールを使用して、モデルの異なるバージョンを比較し、パフォーマンスを分析できます。

モデルのトレーニングプロセスとベストプラクティスに関する詳細な理解については、Ultralytics YOLOモデルのカスタムトレーニングに関するドキュメントを確認してください。

次に、YOLO11のカスタムトレーニング中にDVCLive連携をインストールして使用する方法を順を追って説明します。

Link to this section要件のインストール#

YOLO11のトレーニングを開始する前に、Ultralytics PythonパッケージとDVCLiveの両方をインストールする必要があります。この連携は、デフォルトで両方のライブラリがシームレスに連携するように設計されているため、複雑な設定を心配する必要はありません。

インストールプロセス全体は、Pythonライブラリをインストールするためのパッケージ管理ツールであるpipコマンドを1つ実行するだけで、わずか数分で完了します。以下の画像を参照してください。

図2. UltralyticsとDVCLiveのインストール。

パッケージをインストールしたら、環境をセットアップし、必要な認証情報を追加してDVCLiveがスムーズに実行されるようにします。Gitリポジトリを設定しておくことも、コードの変更やDVCLive設定の変更を追跡するのに役立ちます。

詳細なステップバイステップの手順やその他の役立つヒントについては、インストールガイドを確認してください。必要なパッケージのインストール中に問題が発生した場合は、一般的な問題ガイドに解決策とリソースが記載されています。

Link to this sectionDVCLiveを使用した実験トレーニング#

YOLO11モデルのトレーニングセッションが完了したら、可視化ツールを使用して結果を深く分析できます。具体的には、DVCのAPIを使用してデータを抽出し、Pandas（分析や比較のためにデータをテーブルに整理するなど、データ処理を容易にするPythonライブラリ）で処理することで、取り扱いと可視化を容易にすることができます。

結果をよりインタラクティブかつ視覚的に探索するには、Plotlyの並行座標プロット（モデルの異なるパラメータとパフォーマンス結果がどのように関連しているかを示すチャートの一種）の使用を検討してください。

最終的に、これらの可視化から得られた知見を使用して、モデルの最適化、ハイパーパラメータチューニング、または全体的なパフォーマンスを向上させるためのその他の変更について、より良い意思決定を行うことができます。

Link to this sectionYOLO11およびDVCLive連携の応用例#

DVCLive連携を使用してYOLO11のトレーニング結果をインストールおよび可視化する方法を学んだところで、この連携によって強化できるいくつかの応用例を見ていきましょう。

Link to this section農業と精密農業#

農業や食料のための作物収穫に関しては、精度が大きな違いを生む可能性があります。例えば、農家はYOLO11のオブジェクト検出およびインスタンスセグメンテーションのサポートを使用して、潜在的な作物の病気の特定、家畜の追跡、害虫の侵入の検出を行うことができます。

特に、YOLO11はドローンやカメラからの画像を分析することで、植物の病気、有害な害虫、または健康状態の悪い動物の初期兆候を捉えるのに役立ちます。これらのビジョンAIシステムにより、農家は問題を迅速に察知して被害の拡大を食い止めることができ、時間の節約と損失の低減が可能になります。

図3. YOLO11を使用して作物を監視する例。

農場の状況は天候や季節によって常に変化するため、モデルが様々な状況でうまく機能することを確認するために、多様な画像でモデルをテストすることが重要です。農業用途向けにYOLO11をカスタムトレーニングするためにDVCLive連携を使用することは、特に多様なデータセットを用いる場合に、パフォーマンスを追跡する優れた方法です。

Link to this section小売における顧客行動分析#

小売店ではAIとコンピュータビジョンを活用して、顧客の行動を理解し、ショッピング体験を向上させるための改善を行うことができます。

セキュリティカメラからの映像を分析することで、YOLO11は店舗内での人々の動き、どのエリアの通行量が多いか、買い物客がどのように製品とやり取りしているかを追跡できます。このデータを使用してヒートマップを作成し、どの棚が最も注目を集めているか、顧客が各通路でどれだけの時間を費やしているか、広告ディスプレイが認識されているかどうかを表示できます。

このビジネスインテリジェンスを活用することで、店主は売上を伸ばすための製品配置換え、レジ待ち時間の短縮、顧客が最も必要とする場所や時間に応じた人員配置の調整を行うことができます。

図4. ショッピングモールでYOLO11を使用して作成されたヒートマップの例。

多くの場合、小売店は照明条件、レイアウト、混雑具合など、それぞれ独自の特性を持っています。これらの違いにより、店舗のアクティビティを分析するために使用されるコンピュータビジョンモデルは、精度を確保するために各場所に合わせて慎重にテストされ調整される必要があります。例えば、DVCLive連携はYOLO11の微調整を支援し、小売用途での精度と信頼性を高め、顧客の行動や店舗運営についてのより良い洞察を可能にします。

Link to this section重要なポイント#

DVCLive連携を使用してYOLO11をカスタムトレーニングすることで、コンピュータビジョン実験の追跡と改善が容易になります。重要な詳細が自動的に記録され、明確な視覚的結果が表示され、モデルの異なるバージョンを比較するのに役立ちます。

農場の生産性向上を目指す場合でも、店舗のショッピング体験を改善する場合でも、この連携によりビジョンAIモデルのパフォーマンスが維持されます。実験トラッキングにより、モデルを系統的にテスト、洗練、最適化し、精度とパフォーマンスを継続的に向上させることができます。

コミュニティに参加し、GitHubリポジトリを探索してビジョンAIについて詳しく学びましょう。また、ライセンスオプションを確認して、コンピュータビジョンプロジェクトを開始してください。AI製造や自動運転におけるコンピュータビジョンのような革新に興味がありますか？弊社のソリューションページで詳細をご覧ください。