Ultralytics YOLO によるモデルトレーニング#

はじめに#

ディープラーニングモデルのトレーニングでは、データを与えてパラメータを調整し、正確な予測を行えるようにします。Ultralytics YOLO26 のトレーニングモードは、最新のハードウェア機能をフルに活用し、物体検出モデルを効果的かつ効率的にトレーニングできるように設計されています。本ガイドでは、YOLO26 の強力な機能群を使用して独自のモデルのトレーニングを開始するために必要なすべての詳細について説明します。まだ Ultralytics をインストールしていない場合は、クイックスタートガイドから始めてください。

トレーニングに Ultralytics YOLO を選ぶ理由#

YOLO26 のトレーニングモードを選択する主な理由は次のとおりです。

• 効率性: シングル GPU セットアップを使用している場合でも、複数の GPU にスケールアウトする場合でも、ハードウェアを最大限に活用できます。
• 汎用性: COCO、VOC、ImageNet などのすぐに利用可能なデータセットだけでなく、カスタムデータセットでもトレーニングを行えます。
• ユーザーフレンドリー: シンプルかつ強力な CLI および Python インターフェースにより、簡単なトレーニング体験を実現します。
• ハイパーパラメータの柔軟性: モデルのパフォーマンスを微調整するためのカスタマイズ可能な幅広いハイパーパラメータを提供します。より詳細な制御を行うには、トレーナー自体をカスタマイズすることができます。
• クラウドトレーニング: リアルタイムメトリクスと自動チェックポイント機能を備えたUltralytics プラットフォームを通じて、クラウド GPU 上でトレーニングを実行できます。

トレーニングモードの主な機能#

YOLO26 のトレーニングモードの主な機能は次のとおりです。

• データセットの自動ダウンロード: ダウンロードソースを含むデータセット設定は、初回の使用時に自動的にダウンロードされます（例: yolo train data=coco8.yaml）。サポートされているフォーマットとデータセットについては、データセット概要をご覧ください。
• マルチ GPU サポート: 複数の GPU 間でトレーニングプロセスをシームレスに拡張し、処理を迅速化します。
• ハイパーパラメータ設定: YAML 設定ファイルまたは CLI 引数を介してハイパーパラメータを変更するオプションを提供します。
• 可視化とモニタリング: トレーニングメトリクスのリアルタイム追跡と学習プロセスの可視化により、詳細なインサイトを得ることができます。

使用例#

COCO8 データセットで YOLO26n を 100 エポック、画像サイズ 640 でトレーニングします。トレーニングデバイスは device 引数を使用して指定できます。引数が渡されない場合、GPU が利用可能な場合は GPU device=0 が使用され、それ以外の場合は device='cpu' が使用されます。トレーニング引数の完全なリストについては、以下の「引数」セクションを参照してください。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

マルチ GPU トレーニング#

マルチ GPU トレーニングでは、トレーニング負荷を複数の GPU に分散させることで、利用可能なハードウェアリソースをより効率的に活用できます。この機能は、Python API とコマンドラインインターフェースの両方から利用できます。マルチ GPU トレーニングを有効にするには、使用する GPU デバイス ID を指定します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

AMD GPUのトレーニングでは、標準的な device=0 または device=cuda:0 構文を使用するPyTorch ROCmビルドを使用します。インストール手順およびMIGraphX、DirectML、Ryzen AI NPUの現在のサポート状況については、AMD integration guideを参照してください。

Intel GPU トレーニングでは、device=xpu:0 を使用するか、XCCL を提供する PyTorch ビルドで複数の XPU ID を使用します。

Huawei Ascend NPU トレーニング#

Ultralyticsは、torch_npuを介してHuawei Ascend NPUでのトレーニングおよび検証をサポートしています。Ascend Extension for PyTorch installation guideに従って相互互換性のあるCANN、PyTorch、および torch_npu のバージョンをインストールし、Ultralyticsを開始する前にCANN環境を読み込んでください。

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP、検証、チェックポイント、再開などの標準的なトレーニング機能は、アクティブなNPUを使用します。AutoBatchはシングルNPUトレーニングで利用可能であり、複数のNPU IDはHCCLを介して分散トレーニングを起動します。トレーニング後のモデルのエクスポートとデプロイについては、Huawei Ascend integration guideを参照してください。

アイドル GPU トレーニング#

アイドル GPU トレーニングにより、マルチ GPU システム内で最も使用率の低い GPU が自動的に選択され、手動で GPU を選択することなくリソースの使用が最適化されます。この機能は、使用率メトリクスと VRAM の空き状況に基づいて利用可能な GPU を特定します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

自動選択アルゴリズムでは、次の条件を満たす GPU が優先されます。

1. 現在の使用率の割合が低いこと
2. 利用可能なメモリ（空き VRAM）が多いこと
3. 温度と消費電力が低いこと

この機能は、共有コンピューティング環境や、異なるモデルで複数のトレーニングジョブを実行する場合に特に価値があります。システムの動的な変化に自動的に適応し、手動での介入なしに最適なリソース割り当てを確保します。

Apple Silicon MPS トレーニング#

Ultralytics YOLO モデルに統合された Apple シリコンチップのサポートにより、強力な Metal Performance Shaders (MPS) フレームワークを利用するデバイスでモデルをトレーニングできるようになりました。MPS は、Apple のカスタムシリコン上で計算および画像処理タスクを実行するための高性能な方法を提供します。

Apple シリコンチップでのトレーニングを有効にするには、トレーニングプロセスを開始する際にデバイスとして「mps」を指定する必要があります。Python およびコマンドラインでこれを行う方法の例を以下に示します。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Apple シリコンチップの計算能力を活用することで、トレーニングタスクのより効率的な処理が可能になります。詳細なガイダンスおよび高度な設定オプションについては、PyTorch MPS ドキュメントを参照してください。

中断されたトレーニングの再開#

ディープラーニングモデルを扱う場合、以前に保存した状態からトレーニングを再開することは非常に重要な機能です。これは、トレーニングプロセスが予期せず中断された場合や、新しいデータを使用して、またはより多くのエポック数でモデルのトレーニングを継続したい場合など、さまざまなシナリオで役立ちます。

トレーニングが再開されると、Ultralytics YOLO は最後に保存されたモデルから重みを読み込み、オプティマイザの状態、学習率スケジューラー、およびエポック数も復元します。これにより、中断したところからトレーニングプロセスをシームレスに継続できます。

train メソッドを呼び出す際に resume 引数を True に設定し、部分的にトレーニングされたモデルの重みが含まれる .pt ファイルへのパスを指定することで、Ultralytics YOLO で簡単にトレーニングを再開できます。

Python およびコマンドラインを使用して中断されたトレーニングを再開する例を以下に示します。

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

resume=True を設定することにより、train 関数は 'path/to/last.pt' ファイルに保存された状態を使用して、中断したところからトレーニングを継続します。resume 引数が省略されているか False に設定されている場合、train 関数は新しいトレーニングセッションを開始します。

チェックポイントはデフォルトで毎エポックの終了時に保存されるか、save_period 引数を使用して固定間隔で保存されるため、トレーニング実行を再開するには少なくとも 1 エポックを完了する必要があることに注意してください。

トレーニング設定#

YOLO モデルのトレーニング設定には、トレーニングプロセスで使用されるさまざまなハイパーパラメータと設定が含まれます。これらの設定は、モデルのパフォーマンス、速度、精度に影響を与えます。主なトレーニング設定には、バッチサイズ、学習率、モメンタム、および重み減衰が含まれます。さらに、オプティマイザ、損失関数、およびトレーニングデータセットの構成の選択がトレーニングプロセスに影響を与える可能性があります。パフォーマンスを最適化するには、これらの設定の慎重な調整と試行錯誤が不可欠です。

MuSGDオプティマイザー#

YOLO26 では、MuSGD は標準的な SGD 更新と Muon スタイルの直交化された更新を組み合わせたハイブリッドオプティマイザです。

これは、より長期的な YOLO26 のトレーニング実行や大規模なデータセットに対して推奨され、直交化された Muon 更新により最適化の安定化を支援します。

2D の線形重みと 4D の畳み込みフィルタ（2D にリシェイプ）のみが SGD とともに Muon スタイルの更新を受けますが、バッチ正規化の重みやバイアス項などの他のすべてのパラメータは標準の SGD のままになります。

optimizer=auto が使用される場合、Ultralytics は長期間のトレーニング実行（通常は反復回数が 10000 を超える場合）に対して自動的に MuSGD を選択します。短い実行の場合、トレーナーは AdamW にフォールバックします。

使用例:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

ultralytics/optim/muon.py の実装と、BaseTrainer.build_optimizer におけるオプティマイザの自動選択ロジックを参照してください。

拡張設定とハイパーパラメータ#

トレーニングデータに変動性を導入してモデルが未見のデータに対してより良く汎化できるようにすることで、YOLO モデルの堅牢性とパフォーマンスを向上させるために拡張技術は不可欠です。次の表では、各拡張引数の目的と効果について説明します。

これらの設定は、データセットと特定のタスクの要件に合わせて調整できます。さまざまな値を試すことで、最高のモデルパフォーマンスをもたらす最適な拡張戦略を見つけることができます。

ログ記録#

トレーニングの指標、プロット、チェックポイントは常に実行ディレクトリに書き込まれ、Ultralyticsはそれらをインストールして有効にした任意の実験トラッカー（Comet、ClearML、TensorBoard、MLflow、Weights & Biases、DVCLive）にもストリーミングします。各ロガーはUltralytics settings（例： yolo settings tensorboard=True）を通じて切り替えられます。最も一般的な3つの設定を以下に示します。

Comet#

Cometは、データサイエンティストや開発者が実験やモデルを追跡、比較、説明、最適化できるプラットフォームです。リアルタイムメトリクス、コード差分、ハイパーパラメータ追跡などの機能を提供します。

Comet を使用するには:

# pip install comet_ml
import comet_ml

comet_ml.init()

Web サイトで Comet アカウントにサインインし、API キーを取得することを忘れないでください。実験をログに記録するには、これを環境変数またはスクリプトに追加する必要があります。

ClearML#

ClearMLは、実験の追跡を自動化し、リソースの効率的な共有を支援するオープンソースプラットフォームです。チームが ML 作業をより効率的に管理、実行、再現できるように設計されています。

ClearML を使用するには:

# pip install clearml
import clearml

clearml.browser_login()

このスクリプトを実行した後、ブラウザで ClearML アカウントにサインインし、セッションを認証する必要があります。

TensorBoard#

TensorBoardは、TensorFlow向けの可視化ツールキットです。TensorFlow グラフの可視化、グラフの実行に関する定量的なメトリクスのプロット、そこを通過する画像などの追加データの表示を行うことができます。

Google Colabで TensorBoard を使用するには:

%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

TensorBoard をローカルで使用するには、以下のコマンドを実行し、localhost:6006 で結果を確認します。

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

これにより TensorBoard が読み込まれ、トレーニングログが保存されているディレクトリに誘導されます。

ロガーを設定したら、モデルのトレーニングを進めることができます。すべてのトレーニングメトリクスが選択したプラットフォームに自動的に記録され、これらのログにアクセスして時間の経過に伴うモデルのパフォーマンスを監視し、さまざまなモデルを比較し、改善すべき領域を特定することができます。

次のステップ#

保持されたデータに対してトレーニング済みモデルを検証して実際の精度を確認し、ONNX、TensorRT、または別のデプロイ形式にエクスポートします。COCO8 ではなく独自のデータでトレーニングしますか？データセットガイドを使用して最初にフォーマットしてください。

FAQ#