Ultralytics YOLO11とDVCによる実験管理

機械が視覚データを解釈・理解できるようにトレーニングするコンピュータービジョン実験のトラッキングとモニタリングは、Ultralytics YOLO11のようなビジョンAIモデルの開発と微調整における重要な工程です。これらの実験では、さまざまな主要パラメーターをテストし、複数回のモデル学習からメトリクスや結果を記録することがよくあります。これにより、モデルのパフォーマンスを分析し、データに基づいてモデルを改善できます。

明確に定義された実験トラッキングシステムがなければ、結果の比較やモデルの変更が複雑になり、エラーにつながる可能性があります。実際、このプロセスを自動化することで、一貫性を高められます。

UltralyticsがサポートするDVCLive統合は、まさにこの実現を目的としています。DVCLiveは、単一のワークフロー内で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のトラッキングを管理するための簡便な方法を提供します。

この記事では、Ultralytics YOLO11の学習中にDVCLive統合を使用する方法について説明します。また、そのメリットと、より優れたビジョンAIモデルの開発に向けて実験トラッキングを容易にする仕組み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、機械学習実験のトラッキング向け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のPythonライブラリは、AI開発者や研究者が実験のメトリクスとパラメーターをリアルタイムで追跡できる実験ロガーを提供します。

たとえば、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、学習間で結果を比較し、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可能な機械学習ワークフローの維持に役立ちます。

図1. 実験トラッキング用DVCLiveダッシュボードの概要

DVCLiveの主な機能#

DVCLive統合は使いやすく、明確で理解しやすいデータ可視化と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。

• さまざまなフレームワークをサポート: DVCLiveは、その他の一般的な機械学習フレームワークでも使用できます。そのため、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実現できます。

• 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を視覚的に表示できます。

• 軽量な設計: DVCLiveは軽量で柔軟性があり、さまざまなプロジェクトや環境で使用できる利用しやすいライブラリです。

DVCLive統合を使用する理由#

Ultralyticsドキュメントを読み進め、利用可能な統合機能を調べると、次のように疑問に思うかもしれません。DVCLive統合の特徴は何であり、なぜ自分のワークフローに選ぶべきなのでしょうか。

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統合機能もあります。そのため、この統合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プロジェクトに最適な選択肢となり得る理由は次のとおりです。

• オーバーヘッドが最小限: DVCLiveは、計算負荷やストレージ負荷を追加せずに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、既存のワークフローに簡単に統合できます。

• DVCとのネイティブ統合: DVCの開発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のバージョン管理システムとスムーズに連携します。また、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も追跡できるため、機械学習の再現性確保にDVCをすでに使用しているチームに最適です。

• Git互換: DVCLiveはGitと統合できるため、実験データを整理してバージョン管理しながら、変更の追跡、モデルの比較、以前のバージョンへの復元を簡単に行えます。

DVCLiveを始める#

DVCLiveを使用したUltralytics YOLO11モデルの学習は、想像するよりも簡単です。必要なライブラリをインストールして設定すれば、すぐにYOLO11モデルのカスタム学習を開始できます。

学習後は、エポック（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待機する時間）、ターゲット画像サイズ（学習に使用する画像の解像度）などの主要設定を調整して、精度を向上できます。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。

モデル学習プロセスとベストプラクティスについて詳しく理解するには、Ultralytics YOLOモデルのカスタム学習に関するドキュメントをご覧ください。

次に、Ultralytics YOLO11のカスタム学習中にDVCLive統合をインストールして使用する方法を説明します。

要件のインストール#

YOLO11の学習を開始する前に、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。この統合は両ライブラリがデフォルトでシームレスに連携するよう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。

以下の画像に示すように、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のコマンドを1つ実行するだけで、インストール全体を数分で完了できます。

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、DVCLiveがスムーズに動作するために必要な認証情報を追加できます。Gitリポジトリをセットアップして、コードやDVCLive設定への変更を追跡できるようにすることも有用です。

詳しい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、一般的な問題のガイドに解決策と参考リソースが掲載されています。

DVCLiveを使用した実験学習#

Ultralytics YOLO11モデルの学習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詳しく分析できます。具体的には、DVCのAPIでデータを抽出し、データを扱いやすくするPythonライブラリであるpandas（分析や比較のためにデータを表形式に整理するなど）で処理することで、より簡単に扱いや可視化を行えます。

結果をよりインタラクティブかつ視覚的に探索する方法として、Plotlyの平行座標プロット（異なるモデルパラメーターとパフォーマンス結果の関連性を示すグラフの一種）を試すこともできます。

最終的には、これらの可視化から得た洞察を活用して、モデルの最適化、ハイパーパラメーターのチューニング、その他の変更についてより適切な判断を行い、全体的なパフォーマンスを向上できます。

Ultralytics YOLO11とDVCLive統合の活用例#

DVCLive統合を使用してUltralytics YOLO11の学習結果をインストール・可視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活用例をいくつか見ていきましょう。

農業と精密農業#

農業や食料用作物の収穫では、精度が大きな違いを生み出します。たとえば、農家はUltralytics YOLO11の物体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、作物の病気の可能性を特定し、家畜を追跡し、害虫の発生を検出できます。

特にUltralytics YOLO11は、ドローンやカメラから取得した画像を分析することで、植物の病気、有害な害虫、健康状態の悪い動物の初期兆候を発見するのに役立ちます。このようなビジョン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対応でき、時間を節約して損失を削減できます。

図3. YOLO11を使用して作物を監視する例

農場の環境は天候や季節によって常に変化するため、さまざまな状況で適切に動作することを確認するには、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Ultralytics YOLO11をカスタム学習する際にDVCLive統合を使用すると、特に多様なデータセットにおいて、そのパフォーマンスを追跡するために役立ちます。

小売業における顧客行動分析#

小売店舗では、AIとコンピュータービジョンを使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えます。

セキュリティカメラの映像を分析することで、Ultralytics YOLO11は店内での人々の移動、最も人通りの多いエリア、買い物客と商品との関わり方を追跡できます。このデータを使用してヒートマップを作成すれば、最も注目を集める棚、顧客が各通路に滞在する時間、広告ディスプレイが見られているかどうかを示せます。

このビジネスインテリジェンスにより、店舗オーナーは売上を増やすために商品の配置を変更し、レジ待ちの列を短縮し、顧客が最も必要とする場所と時間に対応できるようスタッフ配置を調整できます。

図4. ショッピングモール向けにUltralytics YOLO11を使用して作成したヒートマップの例

小売店舗には、照明条件、レイアウト、混雑状況など、固有の特徴があることがよくあります。こうした違いがあるため、店舗の活動分析に使用するコンピュータービジョンモデルは、精度を確保するために場所ごとに慎重にテストして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、小売用途における精度と信頼性を高めて、顧客行動や店舗運営に関するより優れた洞察を可能にします。

主なポイント#

DVCLive統合を使用しながらUltralytics YOLO11をカスタム学習すると、コンピュータービジョン実験の追跡と改善が容易になります。重要な詳細を自動的に記録し、明確な視覚的結果を表示し、モデルの異なるバージョンの比較を支援します。

農場の生産性向上を目指す場合でも、店舗でのショッピング体験の改善を目指す場合でも、この統合によってビジョンAIモデルを適切に動作させることができます。実験トラッキングにより、モデルを体系的にテスト、改良、最適化でき、精度とパフォーマンスを継続的に向上できます。

コミュニティに参加し、GitHubリポジトリを確認してビジョンAIについて詳しく学び、ライセンスの選択肢を確認してコンピュータービジョンプロジェクトを始めましょう。製造業におけるAIや自動運転におけるコンピュータービジョンのようなイノベーションに関心がありますか？ソリューションページにアクセスして、さらに詳しくご覧ください。