Ultralytics YOLO11とDVCによる実験追跡

Ultralytics YOLO11 のようなビジョンAIモデルの開発やファインチューニングにおいて、機械が視覚データを解釈して理解するようにトレーニングされる computer vision の実験の追跡とモニタリングは、非常に重要な要素です。これらの実験では、多くの場合、さまざまな主要パラメータのテストや、複数のモデルトレーニングの実行から得られた指標や結果の記録が行われます。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。

それこそが、Ultralyticsがサポートする DVCLive integration が目指していることです。DVCLiveは、実験の詳細の自動記録、結果の可視化、モデルパフォーマンスの追跡管理を行うためのシンプルな方法を、単一のワークフロー内で提供します。

この記事では、Ultralytics YOLO11 のトレーニング時にDVCLive integrationを使用する方法について説明します。また、そのメリットや、より優れた vision AI model の開発に向けて実験の追跡をどのように簡単にするかについても見ていきます。

DVCLive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。

Fig 1. 実験追跡のためのDVCLiveのダッシュボードの簡易表示。

DVCLiveの主な機能#

DVCLive integrationは使いやすく、明確でわかりやすい data visualizations や分析ツールを提供することで、コンピューター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次のとおりです。

• 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。

DVCLive連携を使用すべき理由は何ですか？#

Ultralytics documentation を確認し、利用可能な integrations を探索する中で、「DVCLive integrationの違いは何であり、なぜ自分のワークフローにそれを選ぶべきなのか」と疑問に思うかもしれません。

指標の追跡や結果の可視化ツールを提供する TensorBoard や MLflow などのインテグレーションがある中で、このインテグレーションを際立たせる独自の特性を理解することが重要です。

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。

DVCLive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ついてより詳細に理解するには、Ultralytics YOLOモデルの custom-training に関するドキュメントをご覧ください。

次に、Ultralytics YOLO11のカスタムトレーニングを行きながら、DVCLive統合のインストール方法と使用方法について説明します。

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 package とDVCLiveの両方をインストールする必要があります。このインテグレーションは、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、複雑な設定について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、Installation Guide をご覧ください。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、Common Issues Guide に解決策とリソースが記載されています。

DVCLiveを使用した実験トレーニング#

Ultralytics YOLO11モデルのトレーニングセッションが完了した後、可視化ツールを使用して結果を詳細に分析できます。具体的には、DVCのAPIを使用してデータを抽出し、Pandas（データ分析や比較のための表への整理など、データの扱いを容易にするPythonライブラリ）で処理することで、より簡単にデータのハンドリングと可視化を行うことができます。

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。

Ultralytics YOLO11およびDVCLive統合のアプリケーション#

DVCLive統合を使用してUltralytics YOLO11のトレーニング結果をインストールおよび視覚化する方法を学んだところで、この統合によって強化できるいくつかのアプリケーションを見ていきましょう。

農業と精密農業#

農業や食料のための作物収穫において、精度は大きな違いを生む可能性があります。たとえば、農家はUltralytics YOLO11のオブジェクト検出とインスタンスセグメンテーションのサポートを利用して、潜在的な作物の病気の特定、家畜の追跡、および害虫の発生の検出を行うことができます。

特に、Ultralytics 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、または不健康な動物の早期兆候を発見するのに役立ちます。これらのタイプのビジョンAIシステムにより、農家は問題の拡大を防ぐために迅速に行動でき、時間を節約し、損失を減らすことができます。

Fig 3. 作物のモニタリングにYOLO11を使用している例。

農場の状況は天候や季節によって常に変化するため、さまざまな状況でモデルがうまく機能することを確認するために、さまざまな画像でモデルをテストすることが重要です。農業用アプリケーション向けにUltralytics YOLO11をカスタムトレーニングするためにDVCLive統合を使用することは、特に多様なデータセットで、そのパフォーマンスを追跡する優れた方法です。

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。

防犯カメラからのビデオを分析することにより、Ultralytics YOLO11は、人々が店舗内をどのように移動するか、どのエリアが最も多くの歩行者数を獲得するか、そして買い物客が製品とどのように相互作用するかを追跡できます。このデータを使用して、どの棚が最も注目を集めているか、顧客がさまざまな通路でどれだけの時間を過ごすか、および広告ディスプレイが気付かれているかどうかを示すヒートマップを作成できます。

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。

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

多くの場合、小売店には、さまざまな照明条件、レイアウト、混雑状況などの独自の特徴があります。これらの違いにより、店舗アクティビティの分析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場所ごとに慎重にテストおよび調整する必要があります。たとえば、DVCLive統合はUltralytics YOLO11の微調整に役立ち、小売アプリケーションでの精度と信頼性を高め、顧客の行動と店舗運営に関するより良い洞察を可能にします。

重要なポイント#

DVCLive統合を使用しながらUltralytics YOLO11をカスタムトレーニングすると、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、モデルのさまざまなバージョンの比較に役立ちます。

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。

our community に参加して GitHub repository を探索し、ビジョンAIについて詳しく学びましょう。また、our licensing options を確認して、コンピュータービジョンプロジェクトを開始してください。AI in manufacturing や computer vision in self-driving などのイノベーションに興味がありますか？ソリューションページにアクセスして、詳細をご覧ください。