Ultralytics YOLOv8のML実験追跡インテグレーションを探る

データの収集とアノテーション、そしてUltralytics YOLOv8モデルのようなモデルのトレーニングは、あらゆるコンピュータービジョンプロジェクトの中核です。多くの場合、最高のパフォーマンスを発揮するモデルを見つけるには、異なるパラメーターでカスタムモデルを複数回トレーニングする必要があります。トレーニング実験を追跡するツールを使うと、コンピュータービジョンプロジェクトの管理が少し簡単になります。実験の追跡とは、使用したパラメーター、得られた結果、途中で行った変更など、すべてのトレーニング実行の詳細を記録するプロセスです。

図1. 実験トラッキングがコンピュータービジョンプロジェクトにどのように組み込まれるかを示す画像。

これらの詳細を記録しておくと、結果を再現し、何がうまくいくかを把握して、より効果的にモデルを微調整できます。組織では、チーム間の一貫性を維持し、コラボレーションを促進して、明確な監査証跡を確保できます。個人にとっては、明確で整理された作業のドキュメントを維持することで、アプローチを洗練し、時間とともにより良い成果を得られます。

この記事では、YOLOv8の実験を管理・監視するために利用できる、さまざまなトレーニング連携について説明します。個人で取り組む場合も、大規模なチームの一員として取り組む場合も、適切な追跡ツールを理解して活用することで、YOLOv8プロジェクトの成功に大きな違いが生まれます。

MLflowによる機械学習実験のトラッキング#

MLflowはDatabricksが開発したオープンソースプラットフォームで、機械学習のライフサイクル全体を簡単に管理できます。MLflow TrackingはMLflowの重要なコンポーネントで、データサイエンティストやエンジニアが機械学習実験を記録・可視化するためのAPIとユーザーインターフェースを提供します。Python、REST、Java、RのAPIなど、複数の言語とインターフェースをサポートしています。

MLflow TrackingはYOLOv8とスムーズに連携し、適合率、再現率、損失などの重要な指標をモデルから直接記録できます。YOLOv8でのMLflowのセットアップは簡単で、柔軟な選択肢があります。デフォルトのlocalhost設定を使用する、さまざまなデータストアに接続する、リモートMLflowトラッキングサーバーを起動してすべてを整理する、といった方法を選べます。

図2. MLflow追跡環境の一般的な構成。画像の出典：MLflow Tracking。

MLflowがプロジェクトに適したツールかどうかを判断する際は、次の点を参考にしてください。

• スケーラビリティ：単一のマシンで作業する場合も、大規模なクラスターにデプロイする場合も、MLflowはニーズに応じて適切にスケールします。プロジェクトで開発環境から本番環境への拡張が必要な場合、MLflowはその拡大に対応できます。
• プロジェクトの複雑さ：MLflowは、綿密なトラッキング、モデル管理、デプロイ機能が必要な複雑なプロジェクトに最適です。プロジェクトでこうした包括的な機能が必要な場合、MLflowによってワークフローを効率化できます。
• セットアップとメンテナンス：強力な一方で、MLflowには学習コストとセットアップの負担があります。

コンピュータービジョンモデルのトラッキングにWeights & Biases（W&B）を使用する#

Weights & Biasesは、機械学習実験の追跡、可視化、管理を行うMLOpsプラットフォームです。W&BとYOLOv8を連携すると、モデルのトレーニングやファインチューニングを行いながら、パフォーマンスを監視できます。W&Bのインタラクティブなダッシュボードでは、これらのメトリクスをリアルタイムでわかりやすく確認でき、傾向の把握、モデルのバリエーションの比較、トレーニング中の問題のトラブルシューティングも簡単になります。

W&Bは学習指標とモデルチェックポイントを自動的に記録します。また、学習率やバッチサイズなどのハイパーパラメーターの微調整にも利用できます。このプラットフォームは、ローカルマシンでの実行のトラッキングから、クラウドストレージを使用した大規模プロジェクトの管理まで、幅広いセットアップ方法をサポートしています。

図3. Weights & Biasesの実験トラッキングダッシュボードの例。画像の出典：Weights & Biases track experiments。

Weights & Biasesがプロジェクトに適したツールかどうかを判断する際は、次の点を参考にしてください。

• 可視化とトラッキングの強化：W&Bは、学習指標とモデルのパフォーマンスをリアルタイムで可視化できる、直感的なダッシュボードを提供します。

ClearMLによるMLOps実験トラッキング#

ClearMLは、機械学習ワークフローの自動化、監視、オーケストレーションを目的としたオープンソースのMLOpsプラットフォームです。PyTorch、TensorFlow、Kerasなどの一般的な機械学習フレームワークをサポートし、既存のプロセスにも容易に統合できます。また、ローカルマシンやクラウドでの分散コンピューティングをサポートし、CPUとGPUの使用状況を監視できます。

YOLOv8とClearMLの連携では、実験の追跡、モデル管理、リソース監視のためのツールを利用できます。直感的に操作できるWeb UIで、データの可視化、実験の比較、損失、精度、検証スコアなどの重要なメトリクスのリアルタイム追跡が可能です。また、リモート実行、ハイパーパラメーターのチューニング、モデルのチェックポイント管理といった高度な機能にも対応しています。

図4. ClearMLの実験追跡における可視化の例。画像の出典：ClearML Tracking Experiments and Visualizing Results。

ClearMLがプロジェクトに適したツールかどうかを判断する際は、次の点を参考にしてください。

• 高度な実験トラッキングの必要性：ClearMLは、Gitとの自動インテグレーションを含む堅牢な実験トラッキング機能を提供します。
• 柔軟なデプロイ：ClearMLはオンプレミス、クラウド、Kubernetesクラスターで使用でき、さまざまな環境に適応します。

Comet MLを使って学習実験をトラッキングする#

Comet MLは、機械学習実験の管理とトラッキングを支援する使いやすいプラットフォームです。Comet MLとYOLOv8のインテグレーションを使うと、実験を記録し、時間の経過に伴う結果を確認できます。このインテグレーションにより、傾向の把握やさまざまな実行結果の比較が容易になります。

Comet MLはクラウド、仮想プライベートクラウド（VPC）、オンプレミスで使用でき、さまざまな環境やニーズに適応します。このツールはチームでの作業を想定して設計されています。プロジェクトを共有し、チームメンバーにタグを付け、コメントを残すことで、全員が情報を共有し、実験を正確に再現できます。

Comet MLがプロジェクトに適したツールかどうかを判断する際は、次の点を参考にしてください。

• 複数のフレームワークと言語に対応： Comet MLはPython、JavaScript、Java、Rなどで利用できるため、プロジェクトで使うツールや言語を問わず、幅広く活用できます。
• カスタマイズ可能なダッシュボードとレポート：Comet MLのインターフェースは高度にカスタマイズ可能で、プロジェクトに最適なレポートやダッシュボードを作成できます。
• コスト：Comet MLは商用プラットフォームであり、高度な機能の一部を利用するには有料サブスクリプションが必要です。

TensorBoardによる可視化#

TensorBoardはTensorFlowの実験向けに特化して設計された強力な可視化ツールキットですが、幅広い機械学習プロジェクトで指標を追跡・可視化する際にも優れたツールです。シンプルで高速なことで知られるTensorBoardを使うと、主要な指標を簡単に追跡し、モデルのグラフ、埋め込み表現、その他のデータ型を可視化できます。

TensorBoardとYOLOv8を連携する大きな利点の1つは、セットアップが最小限で済むことです。tensorboardパッケージをインストールし、yolo settings tensorboard=Trueで一度ロギングを有効にするだけです。もう1つの利点は、TensorBoardを完全にオンプレミスで実行できることです。これは、厳格なデータプライバシー要件があるプロジェクトや、クラウドへのアップロードができない環境では特に重要です。

図5. TensorBoardを使用したYOLOv8モデルの学習監視。

TensorBoardがプロジェクトに適したツールかどうかを判断する際は、次の点を参考にしてください。

• シンプルな実験トラッキング：TensorBoardは、実験の比較が限定的な基本的なトラッキングのニーズに適していますが、堅牢なチームコラボレーション機能、バージョン管理、プライバシー管理は備えていません。

DVCLive（Data Version Control Live）を使ったML実験のトラッキング#

YOLOv8とDVCLiveの連携を使うと、データセット、モデル、コードをまとめてバージョン管理し、大容量ファイルをGitに保存せずに実験を効率よく追跡・管理できます。Gitに似たコマンドを使用し、追跡対象のメトリクスをプレーンテキストファイルに保存するため、簡単にバージョン管理できます。DVCLiveは主要なメトリクスを記録し、結果を可視化して、リポジトリを煩雑にすることなく実験を管理します。幅広いストレージプロバイダーに対応し、ローカルでもクラウドでも利用できます。追加のインフラやクラウドへの依存なしに実験追跡を効率化したいチームに適しています。

Ultralytics HUBを使ったUltralyticsモデルとワークフローの管理#

Ultralytics HUB（現在のUltralytics Platform）は、YOLOv5やYOLOv8などのUltralytics YOLOモデルのトレーニング、デプロイ、管理を簡素化するために設計された、社内向けのオールインワンプラットフォームです。外部連携とは異なり、Ultralytics HUBはYOLOユーザーのために特別に作られたネイティブな環境を提供します。データセットのアップロード、事前トレーニング済みモデルの選択、クラウドリソースを使ったトレーニングの開始まで、すべてを数回のクリックで簡単に行えるため、プロセス全体を簡素化できます。操作しやすいHUBのインターフェースから、これらすべてを実行できます。Ultralytics HUBは実験追跡にも対応しており、トレーニングの進捗状況の監視、結果の比較、モデルのファインチューニングも簡単に行えます。

図6. Ultralytics HUBを使用したYOLOv8モデルの学習監視。

重要なポイント#

機械学習実験のトラッキングに適したツールを選ぶと、大きな違いが生まれます。ここで取り上げたツールはどれもYOLOv8の学習実験の追跡に役立ちますが、プロジェクトに最適なものを見つけるには、それぞれの長所と短所を比較することが重要です。適切なツールを使えば、作業を整理し、YOLOv8モデルのパフォーマンス向上に役立てられます。

連携を利用すると、プロジェクトでYOLOv8を簡単に活用でき、開発を加速できます。YOLOv8の連携機能について詳しくは、ドキュメントをご覧ください。

GitHubリポジトリを探索し、コミュニティに参加して、AIについてさらに知りましょう。製造業や医療におけるAIについて、ソリューションページで詳しくご覧ください。