MLflow統合を使用したUltralytics YOLO実験のログ記録

コンピュータ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、デプロイといったパズルのピースを組み合わせることで、機械に視覚データを理解させることになります。すべてが噛み合うと、画像や動画を効果的に分析し理解できるシステムが手に入ります。

しかし、実際のパズルと同様に、コンピュータビジョンプロジェクトのすべてのパーツが単純なわけではありません。実験のトラッキング（設定、構成、データの記録）やロギング（結果やパフォーマンス指標のキャプチャ）といったタスクには、多くの時間と労力がかかる場合があります。これらのステップはコンピュータビジョンモデルの改善や洗練に不可欠ですが、時にはボトルネックのように感じられることもあります。

そこで役立つのが、Ultralytics YOLOモデルとMLflowとの統合です。Ultralytics YOLO11のようなモデルは、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ビジョンタスクをサポートしています。こうした機能により、魅力的なコンピュータビジョンアプリケーションを作成することが可能です。MLflowインテグレーションのような連携機能を利用することで、ビジョンエンジニアは細かな詳細にとらわれることなく、モデル自体に集中することができます。

特にMLflowインテグレーションは、トレーニングプロセス全体を通じて様々な指標、パラメータ、アーティファクトを記録することで、プロセスを簡素化します。この記事では、MLflowインテグレーションの仕組みや利点、そしてUltralytics YOLOのワークフローを効率化するためにどのように活用できるかについて解説します。

MLflowとは？#

MLflowは、機械学習のライフサイクル全体を効率化・管理するために設計された（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。これには、機械学習モデルの開発、デプロイ、保守のプロセスが含まれます。

MLflowには以下の主要なコンポーネントが含まれています。

• 実験トラッキング: このコンポーネントは、モデルトレーニングの実行ごとに、モデル設定、結果、ファイルなどの重要な詳細を記録することに重点を置いています。モデルの比較や、変更がパフォーマンスに与える影響の把握、最適なモデルの選定に役立ちます。
• モデルレジストリ: これはモデルのためのストレージシステムのようなもので、異なるバージョンを追跡し、テスト、ステージング、本番環境といったステージごとに整理して管理できます。
• プロジェクトパッケージング: MLflowは、コード、設定、必要なツールを含む機械学習プロジェクトを簡単にパッケージ化できるため、チームや環境間で一貫して共有および使用することができます。
• モデルデプロイ: MLflowは、トレーニング済みのモデルをワークステーションやAWSやAzureなどのクラウドプラットフォームへ迅速にデプロイし、実環境ですぐに使用できるようにするためのツールを提供します。

図 1. MLflowのコンポーネント。

MLflowのコンポーネントを使用すると、機械学習のプロセスをより簡単かつ効率的に管理できるようになります。この統合により、UltralyticsはYOLOモデルのトレーニング中にMLflowの実験追跡機能を利用してパラメータ、メトリクス、アーティファクトを記録できるようにします。これにより、さまざまなYOLOモデルのバージョンの追跡と比較がシンプルになります。

MLflowインテグレーションによるトレーニングの効率化#

MLflowの概要がわかったところで、次はMLflowインテグレーションの詳細とその機能について掘り下げていきましょう。

MLflowインテグレーションは、コンピュータビジョン実験の重要な側面を自動的にトラッキングおよび記録することで、トレーニングプロセスをより効率的かつ体系的に構築できるように設計されています。主に、指標、パラメータ、アーティファクトという3つのロギングタイプをサポートしています。

各タイプのロギング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は、各エポック（データセット全体の1回のパス）の終わりに追跡されます。
• パラメータのロギング: パラメータは、トレーニング開始前に定義する設定であり、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）、エポック数などが含まれます。これらのパラメータは、モデルの動作と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。これには、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）、およびその他の関連データが含まれます。

図2. MLflowインテグレーションの主要なロギング機能。画像は著者によるもの。

MLflowインテグレーションの仕組み#

MLflowインテグレーションを有効にするための手順については、Ultralyticsのドキュメントを参照してください。セットアップが完了すると、上記のようにトレーニング実験の主要な詳細が自動的に追跡および記録されます。これにより手動での追跡が不要になり、モデルのブラッシュアップに集中できるようになります。

MLflowインテグレーションを使用すると、すべてのトレーニング実行結果が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、パフォーマンスの高い構成を特定し、その知見をモデルの向上に役立てることができます。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は「実験」として編成され、これが複数の実行結果をまとめ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結果を確認し、パフォーマンスを横並びで比較し、構成ごとの傾向を分析することができます。

例えば、Ultralytics YOLOv8を使用して様々な学習率やバッチサイズをテストしている場合、関連するすべての実行結果が同じ実験の下にまとめられるため、以下に示すように容易に比較・分析が可能です。

図 3。MLflowインテグレーション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は特定のトレーニングセッションに関する詳細な洞察を提供します。エポックごとの精度、損失、適合率などの指標を確認したり、使用されたトレーニングパラメータ（バッチサイズや学習率など）をチェックしたり、モデルの重みや設定ファイルといった生成されたアーティファクトにアクセスしたりできます。これらの詳細は整理された形式で保存されるため、実行結果の再確認や再現が容易です。

MLflowインテグレーションを選ぶ理由：その優れた点#

Ultralytics ドキュメントを確認し、利用可能な統合機能を調べるにつれて、「MLflowインテグレーションの何が優れているのか、なぜ自分のワークフローに選ぶべきなのか」という疑問を持つかもしれません。

メトリクスの追跡や結果の視覚化ツールを提供するTensorBoardなどの統合機能がある中で、MLflowインテグレーションを際立たせている独自の特性を理解することが重要です。

MLflowがYOLOプロジェクトにとって理想的な選択肢となり得る理由は以下の通りです：

• ユーザーフレンドリーなインターフェース: MLflowのダッシュボードを使用すると、実験の表示、実行結果の比較、結果の分析が容易になり、パフォーマンスの高い構成を迅速に特定できます。
• カスタム指標のロギング: ビジョンエンジニアは標準的な指標に加えてカスタム指標を記録できるため、プロジェクトのニーズに合わせた詳細な分析が可能になります。
• マルチランゲージワークフローのサポート: 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が可能です。

Ultralytics YOLO11とMLflowのインテグレーションの実用的な応用例#

MLflowインテグレーションをいつ活用できるかについてのより包括的な理解を得るために、X線やCTスキャンの画像から腫瘍を検出するためにUltralytics YOLO11をトレーニングする必要があるヘルスケア分野におけるAIアプリケーションを考えてみましょう。

そのようなシナリオでは、データセットはアノテーションが付けられた医療画像で構成されます。最適な精度を達成するためには、学習率、バッチサイズ、画像の前処理技術の調整など、さまざまな設定で実験を行う必要があります。医療分野ではリスクが高く、精度と信頼性が極めて重要であるため、各実験を手動で追跡することはすぐに手に負えなくなってしまいます。

図 4. Ultralytics YOLO11を使用した腫瘍の検出。

MLflowインテグレーションは、すべての実験のパラメータ、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はこれら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のモデルの重みと設定を保存し、成功したモデルを簡単に再現およびデプロイできるようにします。

これは、ビジョンAIアプリケーションにおいてMLflowインテグレーションが実験管理をどのように強化するかの1つの例に過ぎません。同じ機能は、以下を含む他のコンピュータビジョンアプリケーションにも適用されます。

• 自動運転: Ultralytics YOLO11を使用して、歩行者、車両、交通標識をリアルタイムで検出し分類することで、自動運転システムの安全性と効率性を向上させることができます。
• リテール分析: 物体検出モデルは、ビデオ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、商品配置を追跡し、在庫を最適化することができます。
• セキュリティと監視: 敏感なエリアでの異常検知やリアルタイムの活動監視を行うためにモデルをトレーニングし、セキュリティを強化できます。

MLflowインテグレーションの利点#

YOLOモデルとMLflowの統合により、機械学習の実験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、すべてを整理された状態に保つことで、モデルの構築と改善に集中できるようになります。主なメリットは以下の通りです：

• 大規模プロジェクトへのスケーリング: このプラットフォームは、複数の実験やモデルを効率的に処理するため、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: このプラットフォームは、実験の完全な履歴を保持しているため、過去の実行結果を再確認したり、前回の構成を分析したり、過去の結果から学習したりすることができます。
• 無効化およびリセットオプション: MLflowのロギングは不要な時に簡単に無効化でき、設定をデフォルトにリセットすることも可能なため、多様なワークフロー要件に柔軟に適応できます。

重要なポイント#

MLflowインテグレーションにより、Ultralytics YOLO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、指標、アーティファクトなどの主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、手動での実験管理の手間を省きます。

腫瘍検出のようなヘルスケアソリューションに取り組んでいる場合でも、自動運転システムを改善している場合でも、リテール分析を強化している場合でも、このインテグレーションはすべてを整理して再現可能にするのに役立ちます。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アプリケーションのイノベーションに集中できます。

AIについて学ぶために、私たちのコミュニティに参加し、GitHubリポジトリをご覧ください。また、ソリューションページで製造業におけるコンピュータビジョンや自動運転車におけるAIのその他の応用例についてもご覧いただけます。