MLflow統合を使用してUltralytics YOLO実験を記録

コンピュータービジョンプロジェクトは、パズルのようなものだと考えることができます。基本的には、データセットの収集、モデルのトレーニング、デプロイなどのパズルのピースを組み合わせることで、機械にビジュアルデータを理解させます。すべてがうまくかみ合うと、画像や動画を効果的に分析し、意味を理解できるシステムが完成します。

しかし、実際のパズルと同じように、コンピュータービジョンプロジェクトのすべての作業が簡単とは限りません。実験の追跡（設定、構成、データの記録）やロギング（結果とパフォーマンスメトリクスの取得）などのタスクには、多くの時間と労力がかかる場合があります。これらの手順はコンピュータービジョンモデルの改善と調整に不可欠ですが、ときにはボトルネックになることもあります。

そこで活用できるのが、Ultralytics YOLOモデルとMLflowとの統合です。Ultralytics YOLO11などのモデルは、物体検出、インスタンスセグメンテーション、画像分類など、幅広いコンピュータービジョンタスクに対応しています。これらの機能により、魅力的なコンピュータービジョンアプリケーションを作成できます。MLflow統合のような統合機能を利用できれば、ビジョンエンジニアは細部にとらわれず、モデルそのものに集中できます。

特にMLflow統合は、トレーニングプロセス全体を通してさまざまなメトリクス、パラメーター、アーティファクトを記録することで、作業を簡素化します。この記事では、MLflow統合の仕組みとメリット、およびUltralytics YOLOのワークフローを効率化するための使用方法について説明します。

MLflowとは何ですか？#

MLflowは、機械学習のライフサイクル全体を効率化し、管理するために設計されたオープンソースプラットフォームです（Databricksが開発）。機械学習モデルの開発、デプロイ、保守のプロセスを包括します。

MLflowには、次の主要コンポーネントが含まれています。

• 実験の追跡：このコンポーネントは、各モデルのトレーニング実行について、モデルの設定、結果、ファイルなどの重要な詳細を記録します。モデルの比較や、変更がパフォーマンスに与える影響の確認、最適なモデルの特定に役立ちます。
• モデルレジストリ：モデルのストレージシステムのようなもので、さまざまなバージョンを追跡し、テスト、ステージング、本番などのステージ別に整理できます。
• プロジェクトのパッケージ化：MLflowを使用すると、コード、設定、必要なツールなどの機械学習プロジェクトを簡単にまとめられるため、チームや環境をまたいで一貫して共有・利用できます。
• モデルのデプロイ：MLflowは、トレーニング済みモデルをワークステーションやAWS、Azureなどのクラウドプラットフォームにすばやくデプロイするためのツールを提供し、実環境で利用できる状態にします。

図1. MLflowのコンポーネント。

MLflowのコンポーネントにより、機械学習プロセスの管理がより簡単かつ効率的になります。この統合を通じて、UltralyticsではMLflowの実験追跡機能を使用し、YOLOモデルのトレーニング中にパラメーター、メトリクス、アーティファクトを記録できます。これにより、異なるYOLOモデルのバージョンを簡単に追跡・比較できます。

MLflow統合でトレーニングを効率化#

MLflowとは何かを確認したところで、MLflow統合の詳細と提供される機能について見ていきましょう。

MLflow統合は、コンピュータービジョン実験の重要な要素を自動的に追跡・記録することで、トレーニングプロセスをより効率的かつ整理されたものにするよう設計されています。メトリクス、パラメーター、アーティファクトという3種類の主要なロギングに対応しています。

それぞれのロギングタイプについて詳しく見ていきましょう。

• メトリクスのロギング：メトリクスは、トレーニング中のモデルのパフォーマンスを測定する定量的な値です。たとえば、精度、適合率、再現率、損失などのメトリクスが、各エポック（データセット全体を1回処理する単位）の終了時に追跡されます。
• パラメーターのロギング：パラメーターは、モデルのトレーニング開始前に定義する設定です。学習率、バッチサイズ（1回のトレーニングステップで処理されるサンプル数）、エポック数などが該当します。これらのパラメーターは、モデルの動作やパフォーマンスに大きな影響を与えます。
• アーティファクトのロギング：アーティファクトは、トレーニング中に生成される出力やファイルです。モデルの重み（トレーニング中にモデルが学習する数値）、設定ファイル（トレーニング設定を保存するファイル）、その他の関連データなどの重要なファイルが含まれます。

図2. MLflow統合の主要なロギング機能。画像：著者。

MLflow統合の仕組み#

MLflow統合を有効にする手順については、Ultralyticsのドキュメントで詳しく確認できます。設定が完了すると、前述のとおり、統合機能によってトレーニング実験の重要な詳細が自動的に追跡・記録されます。これにより手動での追跡が不要になり、モデルの改善に集中できます。

MLflow統合を使用すると、すべてのトレーニング実行が1か所に保存されるため、結果の比較や異なる構成の評価が容易になります。記録された結果を比較することで、最も高いパフォーマンスを示す構成を特定し、その知見をモデルの改善に活用できます。これにより、ワークフローの効率性、文書化、再現性が確保されます。

具体的には、各トレーニングセッションが1つの実験として整理され、複数の実行を格納するコンテナとして機能します。実験内では、関連するすべての実行を表示し、パフォーマンスを並べて比較したり、異なる構成における傾向を分析したりできます。

たとえば、Ultralytics YOLOv8でさまざまな学習率やバッチサイズをテストする場合、下図のように、関連するすべての実行が同じ実験の下にグループ化されるため、簡単に比較・分析できます。

図3。MLflow統合を使用して実験を表示できます。

一方、個々の実行レベルでは、MLflowが特定のトレーニングセッションに関する詳細な情報を提供します。エポックごとの精度、損失、適合率などのメトリクスを表示し、使用したトレーニングパラメーター（例：バッチサイズや学習率）を確認し、モデルの重みや設定ファイルなどの生成されたアーティファクトにアクセスできます。これらの詳細は整理された形式で保存されるため、任意の実行を簡単に再確認・再現できます。

MLflow統合を選ぶ理由：際立つ特長#

Ultralyticsのドキュメントを読み、利用可能な統合機能を調べる中で、MLflow統合の特長や、ワークフローに選ぶべき理由について疑問に思うかもしれません。

メトリクスの追跡や結果の可視化ツールを提供するTensorBoardなどの統合機能もあるため、MLflow統合を際立たせる独自の特長を理解することが重要です。

MLflowが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。

• 使いやすいインターフェース：MLflowダッシュボードでは、実験の表示、実行の比較、結果の分析を簡単に行えるため、最も高いパフォーマンスを示す構成をすばやく特定できます。
• カスタムメトリクスのロギング：ビジョンエンジニアは標準メトリクスに加えてカスタムメトリクスも記録できるため、プロジェクト固有のニーズに合わせて、より詳細な分析を行えます。
• 複数言語のワークフローに対応：MLflowはPython、R、Javaなど複数のプログラミング言語と互換性があり、多様な機械学習パイプラインへの統合を容易にします。

Ultralytics YOLO11とMLflow統合の実用的な活用例#

MLflow統合を利用できる場面をより包括的に理解するため、X線画像またはCTスキャン画像で腫瘍を検出するようUltralytics YOLO11をトレーニングするヘルスケア分野のAIアプリケーションについて考えてみましょう。

このようなシナリオでは、データセットはアノテーション付きの医療画像で構成されます。最適な精度を実現するには、学習率、バッチサイズ、画像の前処理手法など、さまざまな構成を試す必要があります。ヘルスケア分野ではリスクが大きく、精度と信頼性が重要であるため、各実験を手動で追跡すると、すぐに管理が困難になる可能性があります。

図4. Ultralytics YOLO11を使用した腫瘍検出。

MLflow統合は、すべての実験のパラメーター、メトリクス、アーティファクトを自動的に記録することで、この課題に対応します。たとえば、学習率を変更したり新しいデータ拡張戦略を適用したりすると、MLflowはその変更をパフォーマンスメトリクスとともに記録します。また、MLflowはトレーニング済みモデルの重みと構成を保存するため、成功したモデルを簡単に再現してデプロイできます。

これは、MLflow統合がビジョンAIアプリケーションにおける実験管理を強化する方法の一例にすぎません。同じ機能は、次のような他のコンピュータービジョンアプリケーションにも適用できます。

• 自動運転：Ultralytics YOLO11を使用すると、歩行者、車両、交通標識をリアルタイムで検出・分類し、自動運転システムの安全性と効率を向上させることができます。
• 小売分析：物体検出モデルは、動画フィードを通じて店舗内の活動を分析し、顧客の行動を監視し、商品の配置を追跡し、在庫を最適化できます。
• セキュリティと監視：モデルをトレーニングして、重要エリアの異常を検出したり、リアルタイムの活動を監視したりすることで、セキュリティを強化できます。

MLflow統合のメリット#

YOLOモデルとMLflowの統合により、機械学習実験の管理がより簡単かつ効率的になります。主要なタスクを自動化し、すべてを整理して維持することで、モデルの構築と改善に集中できます。主なメリットは次のとおりです。

• 大規模プロジェクトに対応：複数の実験やモデルを効率的に処理できるため、大規模なチームや複雑なワークフローに適しています。
• 詳細な実験履歴：実験の完全な履歴を保持できるため、過去の実行を再確認し、以前の構成を分析して、過去の結果から学習できます。
• 無効化とリセットのオプション：必要がない場合はMLflowのロギングを簡単に無効化でき、設定をデフォルトにリセットすることもできます。さまざまなワークフロー要件に柔軟に対応できます。

主なポイント#

MLflow統合により、Ultralytics YOLOの実験の管理と最適化がより簡単かつ効率的になります。パラメーター、メトリクス、アーティファクトなどの重要な詳細を自動的に追跡することで、プロセスを簡素化し、手動で実験を管理する負担を取り除きます。

腫瘍検出などのヘルスケアソリューション、自動運転システムの改善、小売分析の強化など、どのような取り組みにおいても、この統合によってすべてを整理し、再現可能な状態に保つことができます。直感的なインターフェースと柔軟性を備えたMLflowにより、開発者はより優れたモデルの構築と、ビジョンAIアプリケーションにおけるイノベーションの推進に集中できます。

コミュニティに参加し、GitHubリポジトリを確認してAIについて学びましょう。ソリューションページでは、製造業におけるコンピュータービジョンや自動運転車におけるAIの活用例もご覧いただけます。