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、モデルのトレーニング、そしてUltralytics YOLOv8モデルのようなモデルの構築は、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、最適なモデルを作成するために、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用すると、コンピュータービジョンプロジェクトの管理が少し容易になります。実験トラッキングとは、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. コンピュータービジョンプロジェクトにおける実験トラッキングの位置付けを示す画像です。

これらの詳細を記録しておくと、結果を再現し、何が有効で何が有効でないかを理解し、モデルをより効果的にファインチューニングできます。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、明確な監査証跡を確保するのに役立ちます。個人にとっては、時間の経過とともにアプローチを改善し、より良い結果を達成できるよう、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監視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、適切なトラッキングツールを理解して使用することで、YOLOv8プロジェクトの成功に大きな違いをもたらせます。

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容易に管理できます。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して可視化するのに役立つAPIとユーザーインターフェースを提供します。Python、REST、Java、R 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とスムーズに統合でき、モデルからprecision、recall、lossなどの重要なメトリクスを直接記録できます。MLflowとYOLOv8のセットアップは簡単で、柔軟なオプションがあります。デフォルトのlocalhostセットアップを使用したり、さまざまなデータストアに接続したり、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したりできます。

図2. MLflowトラッキング環境の一般的な構成。画像ソース：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ためのポイントを以下に示します。

• スケーラビリティ: 単一のマシンで作業する場合でも、大規模なクラスターにデプロイする場合でも、MLflowはニーズに合わせて適切にスケールします。プロジェクトを開発環境から本番環境へスケールアップする場合、MLflowはこの成長をサポートできます。
• プロジェクトの複雑性: MLflowは、綿密なトラッキング、モデル管理、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。これらのフルスケールの機能が必要な場合、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、機械学習実験のトラッキング、可視化、管理を行うMLOpsプラットフォームです。W&BをYOLOv8と使用すると、トレーニングやファインチューニングの過程でモデルの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は、これらのメトリクスをリアルタイムで明確に表示し、トレンドの把握、モデルバリアントの比較、トレーニング中の問題のトラブルシューティングを容易にします。

W&Bはトレーニングメトリクス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ーのファインチューニングにも使用できます。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 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ためのポイントを以下に示します。

• 可視化とトラッキングの強化: W&Bは、トレーニングメトリクスとモデル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。
• 料金モデル: 料金はトラッキングした時間に基づくため、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さない場合があります。

ClearMLによるMLOps実験のトラッキング#

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簡単に統合できます。ClearMLは、ローカルマシンまたはクラウドでの分散コンピューティングもサポートし、CPUとGPUの使用状況を監視できます。

YOLOv8とClearMLの統合は、実験トラッキング、モデル管理、リソース監視のためのツールを提供します。このプラットフォームの直感的なWeb UIでは、データの可視化、実験の比較、loss、accuracy、検証スコアなどの重要なメトリクスのリアルタイムトラッキングが可能です。この統合は、リモート実行、ハイパーパラメーターチューニング、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可視化の例。画像ソース：Clear ML 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ためのポイントを以下に示します。

• 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堅牢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、Kubernetesクラスターで使用でき、さまざまな構成に適応できます。

Comet MLでトレーニング実験を追跡する#

Comet MLは、機械学習実験の管理とトラッキングに役立つ使いやすいプラットフォームです。YOLOv8とComet MLの統合により、実験を記録し、時間の経過に伴う結果を確認できます。この統合によって、トレンドの把握や異なる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)、またはオンプレミスでも使用でき、さまざまな構成やニーズに適応できます。このツールはチームワークを目的に設計されています。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、全員が共通認識を持ち、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ためのポイントを以下に示します。

• 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かかわらず、多用途な選択肢となります。
• カスタマイズ可能なダッシュボードとレポート: Comet MLのインターフェースは高いカスタマイズ性を備えており、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実験専用に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メトリクスを追跡・可視化するための優れたツールでもあります。シンプルさと高速性で知られるTensorBoardを使用すると、主要なメトリクス、モデルグラフ、埋め込み、その他のデータタイプを簡単に追跡・可視化できます。

TensorBoardをYOLOv8と使用する大きな利点の1つは、便利なことにあらかじめインストールされており、追加のセットアップが不要な点です。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モデルのトレーニング監視。

TensorBoardがプロジェクトに適したツールかどうかを判断するためのポイントを以下に示します。

• 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モデルを探索して理解するための使いやすいインターフェースを提供します。ブラックボックスモデルへの洞察を得て説明可能性を向上させたい場合に役立ちます。
• シンプルな実験トラッキング: TensorBoardは、実験比較が限定的な基本的なトラッキング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、プライバシー管理には対応していません。

DVCLive (DVCLive)を使用してML実験を追跡する#

YOLOv8とDVCLiveの統合は、大容量ファイルをGitに保存せず、データセット、モデル、コードをまとめてバージョン管理することで、実験を効率的に追跡・管理する方法を提供します。Gitに似たコマンドを使用し、追跡した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、バージョン管理が容易です。DVCLiveは主要なメトリクスを記録し、結果を可視化し、リポジトリを複雑化させることなく実験を適切に管理します。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できます。DVCLiveは、追加のインフラストラクチャやクラウド依存なしに実験トラッキングを効率化したいチームに最適です。

Ultralytics HUBによるUltralyticsモデルとワークフローの管理#

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、管理を簡素化するため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。外部統合とは異なり、Ultralytics HUBはYOLOユーザー向けに特別に作られたシームレスなネイティブ体験を提供します。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用した数回のクリックでのトレーニング開始まで、プロセス全体をHUBの使いやすいインターフェース内で簡素化できます。Ultralytics HUBは実験トラッキングにも対応しており、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を容易に行えます。

図6. Ultralytics HUBを使用したYOLOv8モデルのトレーニング監視。

主なポイント#

機械学習実験を追跡する適切なツールを選ぶことで、大きな違いが生まれます。ここで説明したすべてのツールはYOLOv8のトレーニング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検討することが重要です。適切なツールによって作業を整理し、YOLOv8モデルのパフォーマンスを向上させられます。

統合によって、革新的なプロジェクトでのYOLOv8の利用が簡素化され、進捗を加速できます。さらに魅力的なYOLOv8統合については、ドキュメントをご覧ください。

GitHubリポジトリを探索し、私たちのコミュニティーに参加して、AIについてさらに詳しく学びましょう。製造やヘルスケアにおけるAIについて詳しく知るには、ソリューションページをご覧ください。🚀