Ultralytics YOLOv8のML実験追跡の統合機能を探求する

データの収集とアノテーション、および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ビジョンプロジェクトの核心です。最適なモデルを作成するために、異なるパラメータでカスタムモデルを複数回トレーニングする必要が生じることはよくあります。トレーニングの実験を追跡するツールを使用すると、コンピュータ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、達成した結果、プロセスを通じて行った変更など、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 実験の追跡がコンピュータビジョンプロジェクトにどのように適合するかを示す画像。

これらの詳細の記録を保持することは、結果を再現し、何が機能して何が機能しないかを理解し、モデルの微調整をより効果的に行うのに役立ちます。組織にとっては、チーム間の一貫性を維持し、コラボレーションを促進し、明確な監査証跡を提供するのに役立ちます。個人にとっては、アプローチを洗練させ、時間をかけてより良い結果を達成できるように、作業の明確で整理されたドキュメントを維持することが重要です。

この記事では、YOLOv8の実験を管理およびモニタリングするために利用できるさまざまなトレーニング統合について順を追って説明します。個人で作業している場合でも、大規模なチームの一員として作業している場合でも、適切な追跡ツールを理解して使用することは、YOLOv8プロジェクトの成功に大きな違いをもたらす可能性があります。

MLflowを使用した機械学習の実験トラッキング#

MLflowは、機械学習のライフサイクル全体を容易にするDatabricksによって開発されたオープンソースプラットフォームです。MLflow Trackingは、データサイエンティストやエンジニアが機械学習の実験をログおよび視覚化するのに役立つAPIとユーザーインターフェイスを提供するMLflowの重要なコンポーネントです。Python、REST、Java、R APIなど、複数の言語とインターフェイスをサポートしています。

MLflow TrackingはYOLOv8とシームレスに統合されており、モデルから直接精度、再現率、損失などの重要なメトリックをログに記録できます。YOLOv8でのMLflowの設定は簡単で、デフォルトのlocalhost設定の使用、さまざまなデータストアへの接続、すべてを整理しておくためのリモートのMLflowトラッキングサーバーの起動など、柔軟なオプションがあります。

図2. MLflowトラッキング環境の一般的な設定。画像ソース: MLflowトラッキング。

MLflowがあなたのプロジェクトに適したツールかどうかを判断するのに役立つ情報をいくつか紹介します:

• スケーラビリティ: MLflowは、単一のコンピュータで作業している場合でも、大規模なクラスターにデプロイしている場合でも、ニーズに合わせて適切にスケールします。プロジェクトが開発から本番環境へのスケールアップを伴う場合、MLflowはこの成長をサポートできます。
• プロジェクトの複雑さ: MLflowは、徹底的なトラッキング、モデル管理、およびデプロイ機能を必要とする複雑なプロジェクトに最適です。プロジェクトにこれらのフルスケールの機能が必要な場合、MLflowはワークフローを効率化できます。
• セットアップと保守: 強力ではありますが、MLflowには学習曲線とセットアップのオーバーヘッドがあります。

コンピュータ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、機械学習の実験を追跡、視覚化、管理するためのMLOpsプラットフォームです。YOLOv8でW&Bを使用することで、トレーニングおよび微調整を行いながらモデルのパフォーマンスをモニタリングできます。W&Bのインタラクティブなダッシュボードは、これらのメトリックの明確でリアルタイムなビューを提供し、トレーニングプロセス中のトレンドの把握、モデルバリアントの比較、問題のトラブルシューティングを容易にします。

W&Bはトレーニングメトリックとモデルチェックポイントを自動的に記録し、学習率やバッチサイズなどのハイパーパラメータの微調整にも使用できます。このプラットフォームは、ローカルマシンでの実行の追跡から、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、幅広い設定オプション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。画像ソース: Weights & Biasesの実験トラッキング。

Weights & Biasesがあなたのプロジェクトに適したツールかどうかを判断するのに役立つ情報をいくつか紹介します:

• 強化された視覚化とトラッキング: W&Bは、トレーニングのメトリクスとモデルのパフォーマンスをリアルタイムで視覚化する直感的なダッシュボードを提供します。
• 価格モデル: 価格はトラッキングされた時間に基づいており、予算が限られているユーザーやトレーニング時間が長いプロジェクトには適していない場合があります。

ClearMLを使用したMLOps実験トラッキング#

ClearMLは、機械学習のワークフローを自動化、監視、調整するように設計され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、既存のプロセスと簡単に統合できます。ClearMLは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もサポートしており、CPUおよびGPUの使用量を監視できます。

ClearMLとYOLOv8の統合は、実験トラッキング、モデル管理、リソースモニタリングのためのツールを提供します。プラットフォームの直感的なWeb UIにより、データの視覚化、実験の比較、損失、精度、検証スコアなどの重要なメトリックのリアルタイムでの追跡が可能になります。この統合は、リモート実行、ハイパーパラメータのチューニング、モデルチェックポイントなどの高度な機能もサポートしています。

図4. ClearMLの実験トラッキング視覚化の例。画像ソース: Clear MLの実験トラッキングと結果の視覚化。

ClearMLがあなたのプロジェクトに適したツールかどうかを判断するのに役立つ情報をいくつか紹介します:

• 高度な実験トラッキングの必要性: ClearMLは、Gitとの自動統合を含む強力な実験トラッキングを提供します。
• 柔軟なデプロイ: ClearMLはオンプレミス、クラウド、またはKubernetesクラスターで使用できるため、さまざまなセットアップに適応可能です。

Comet MLを使用してトレーニング実験をトラッキングする#

Comet MLは、機械学習の実験の管理と追跡を支援するユーザーフレンドリーなプラットフォームです。YOLOv8とComet MLの統合により、実験をログに記録し、時間の経過に伴う結果を確認できます。この統合により、トレンドの把握や異なる実行の比較が容易になります。

Comet MLは、クラウド、バーチャルプライベートクラウド（VPC）、さらにはオンプレミスで使用できるため、さまざまなセットアップやニーズに適応できます。このツールはチームワーク向けに設計されています。プロジェクトを共有したり、チームメイトにタグ付けしたり、コメントを残したりできるため、全員が同じ認識を持ち、実験を正確に再現できます。

Comet MLがあなたのプロジェクトに適したツールかどうかを判断するのに役立つ情報をいくつか紹介します:

• 複数のフレームワークと言語をサポート： Comet MLはPython、JavaScript、Java、Rなどで動作するため、プロジェクトで使用するツールや言語に関係なく、汎用性の高いオプションとなります。
• カスタマイズ可能なダッシュボードとレポート: Comet MLのインターフェイスは高度にカスタマイズ可能なため、プロジェクトにとって最も理にかなった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、高度な機能の一部には有料サブスクリプションが必要です。

TensorBoardは視覚化に役立ちます#

TensorBoardは、TensorFlowの実験向けに特別に設計された強力な視覚化ツールキットですが、幅広い機械学習プロジェクト全体でメトリクスをトラッキングおよび視覚化するための優れたツールでもあります。そのシンプルさと速度で知られるTensorBoardを使用すると、主要なメトリクスを簡単にトラッキングし、モデルのグラフ、埋め込み、その他のデータ型を視覚化できます。

YOLOv8でTensorBoardを使用することの大きな利点の1つは、事前にインストールされているため追加の設定が不要になることです。もう1つの利点は、TensorBoardが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選択肢にない環境において特に重要です。

図5 TensorBoardを使用したYOLOv8モデルトレーニングのモニタリング。

TensorBoardがあなたのプロジェクトに適したツールかどうかを判断するのに役立つ情報をいくつか紹介します:

• What-If Tool (WIT) による説明可能性: TensorBoardにはWhat-If Toolが含まれており、MLモデルを探索および理解するための使いやすいインターフェイスを提供します。ブラックボックスモデルの洞察を得て、説明可能性を向上させたいと考えている人にとって価値があります。
• シンプルな実験トラッキング: TensorBoardは基本的なトラッキングニーズには理想的ですが、実験比較の制限があり、強力なチームコラボレーション機能、バージョン管理、プライバシー管理が欠けています。

DVCLive (Data Version Control Live) を使用してML実験をトラッキングする#

YOLOv8とDVCLiveの統合は、大きなファイルをGitに保存することなく、データセット、モデル、コードを一緒にバージョン管理することで、実験を追跡および管理する合理化された方法を提供します。Gitに似たコマンドを使用し、追跡されたメトリックをプレテキストファイルに保存して、簡単なバージョン管理を実現します。DVCLiveは、リポジトリを不必要に複雑にすることなく、主要なメトリックの記録、結果の視覚化、実験の管理を行います。幅広いストレージプロバイダーをサポートし、ローカルまたはクラウドで動作します。DVCLiveは、追加のインフラストラクチャやクラウド依存関係なしで実験の追跡を合理化したいチームに最適です。

Ultralytics HUBを使用してUltralyticsモデルとワークフローを管理する#

Ultralytics HUBは、YOLOv5やYOLOv8などのUltralytics YOLO モデルのトレーニング、デプロイ、および管理を簡素化するように設計された、社内のオールインワン・プラットフォームです。外部の統合とは異なり、Ultralytics HUBはYOLOユーザー向けに特別に作成された、シームレスでネイティブな体験を提供します。プロセス全体が簡素化され、HUBの使いやすいインターフェース内で、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・リソースを使用した数回クリックするだけのトレーニング開始が簡単に行えます。また、Ultralytics HUBは実験の追跡もサポートしており、トレーニングの進捗状況のモニタリング、結果の比較、モデルの微調整を容易にします。

図6 Ultralytics HUBを使用したYOLOv8モデルトレーニングのモニタリング。

重要なポイント#

機械学習実験をトラッキングするための適切なツールを選択することは、大きな違いを生む可能性があります。ここで紹介したすべてのツールはYOLOv8トレーニング実験のトラッキングに役立ちますが、プロジェクトに最適なものを見つけるために、それぞれの長所と短所を比較検討することが重要です。適切なツールは、あなたを整理し、YOLOv8モデルのパフォーマンスを向上させるのに役立ちます！

統合を活用することで、革新的なプロジェクトでのYOLOv8の使用を簡素化し、進捗を加速させることができます。さらに魅力的なYOLOv8の統合については、私たちの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することで、AIについてさらに詳しく知りましょう。製造業およびヘルスケアにおけるAIに関する詳細なインサイトについては、ソリューションページをご確認ください。🚀