トレーニング、実行結果の確認、ファインチューニング

実行を開始する#

プロジェクトまたはデータセットのページでNew Modelをクリックします。Cloud Trainingタブで次の設定を行います。

引数はローカルでmodel.train(...)に渡すものと同じです。モデルページには後で、デフォルト以外の値を含むコピー可能なyolo trainコマンドが表示されます。

GPUを選び、実行予算を決める#

コストカードでは、開始前に所要時間と料金を見積もれます。デフォルトのRTX PRO 6000でYOLO26nを1,000枚の画像、100エポックで学習すると約$0.23、RTX 4090より約3.4倍高速なH100 SXMでYOLO26sを5,000枚の画像、100エポックで学習すると約$1.56です。請求は実際のGPU使用時間に基づきます。GPUが起動した後は、完了・キャンセル・失敗した実行にも料金が発生します。実行には見積もり額（GPU時間で最低15分）をカバーする残高が必要で、残高がマイナスになると実行中のジョブは停止するため、長時間のジョブでは Settings > Billing で自動チャージを有効にしてください。RTX PRO 6000より安いGPUを選択すると、Ultralyticsが管理するキャパシティに空きがある場合、選択した料金のままでRTX PRO 6000へ無料でアップグレードされることがあります。

判断の目安：新しいデータセットは、まずデフォルトGPUで10～20エポックのスモークテストを実施してください。実行に数時間かかり、誰かが結果を待っている場合は、H100またはH200に切り替えてください。GPU使用率が低い状態が続く場合は、より高速なGPUではなく、より安価なGPUを選んでください。

実行状況を確認する#

モデルページの Train タブには、3つのサブタブから情報がストリーミングされます。Charts にはメトリクス、学習損失と検証損失、エポックごとの学習率がプロットされます。Console には直近2,000行が保持され、トレースバックまたはCUDAのメモリ不足エラーが発生すると実行が直ちに停止します。System にはGPU使用率、メモリ、温度が表示されます。

4時間にわたって何も報告されない実行は、失敗としてマークされます。ベストチェックポイントは定期的にアップロードされるため、実行をキャンセルしても、その時点までのベストエポックが保持されます。また、実行の完了や失敗を知らせる Slackアラート も利用できます。

実例：実行の学習、ストリーミング、確認#

どこで学習しても、Platformで実行状況を追跡できます。Settings > API Keys から取得したAPIキーを ULTRALYTICS_API_KEY としてエクスポートすると、username/project 形式の project によって、チャート、コンソール、ベストチェックポイントがそのプロジェクトにストリーミングされます。

from ultralytics import YOLO

# export ULTRALYTICS_API_KEY="..." first to stream this run into your Platform project
model = YOLO("yolo26n.pt")
results = model.train(data="medical-pills.yaml", epochs=10, imgsz=320, project="username/pill-inspection", name="v1-baseline")
print(f"mAP50-95 {results.box.map:.3f}, best checkpoint: {model.trainer.best}")

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         23        399       0.97      0.957      0.977      0.659
mAP50-95 0.659, best checkpoint: .../runs/detect/username/pill-inspection/v1-baseline/weights/best.pt

New Model をクリックすると、同じコマンドをPlatformのGPUで実行できます。ローカルでは、ノートPCのCPUで imgsz=320 を使い、2分もかかりませんでした。実行の results.csv には、Chartsサブタブにプロットされるエポックごとの系列が格納されます。数行のコードで「曲線を確認する」をルールにできます。

import pandas as pd

df = pd.read_csv("results.csv")  # the per-epoch metrics behind the Charts subtab
df.columns = df.columns.str.strip()
m = df["metrics/mAP50-95(B)"]
best_epoch = int(df.loc[m.idxmax(), "epoch"])
recent_gain = m.iloc[-1] - m.iloc[-4]  # change over the last 3 epochs
val_loss = df["val/box_loss"]
print(f"epochs={len(df)} best mAP50-95={m.max():.3f} at epoch {best_epoch}")
print(f"gain over last 3 epochs: {recent_gain:+.3f}")
print(f"val box loss: {val_loss.iloc[0]:.3f} -> {val_loss.iloc[-1]:.3f}")
if recent_gain < 0.005 and val_loss.iloc[-1] >= val_loss.iloc[-4]:
    print("verdict: plateaued - stop, and fix the data before training longer")
elif best_epoch == len(df):
    print("verdict: still improving at the last epoch - more epochs should help")
else:
    print("verdict: converged - keep best.pt")

epochs=10 best mAP50-95=0.659 at epoch 10
gain over last 3 epochs: +0.028
val box loss: 1.367 -> 1.045
verdict: still improving at the last epoch - more epochs should help

ベストエポックは最後のエポックで、mAP50-95は直近3エポックで2.8ポイント上昇し、検証損失はまだ低下しています。この10エポックの実行は早期に停止しており、さらに長く学習するかファインチューニングすると改善が見込めます。Platformの実行では、Chartsサブタブで同じ3つのシグナルを確認してください。ベストエポックの位置、直近の改善幅、検証損失の推移です。

以前のモデルからファインチューニングする#

My Models から以前のモデルをベースモデルとして選択します。Platformは、そのチェックポイントから開始する新しいモデルを作成し、以前のモデルは変更しません。通常は学習率を下げることが推奨されますが、デフォルトの optimizer: auto では学習時にオプティマイザーと学習率が自動選択され、lr0 は無視されます。コンソールの最初の数行にその旨が表示されます。

optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and determining best 'optimizer' and 'lr0' automatically...
optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)

Advanced Settingsで optimizer を明示的に設定すると、その値が適用されます。optimizer: SGD と lr0: 0.001 を指定してpillモデルをさらに5エポックファインチューニングすると、次のログが出力されます。

optimizer: SGD(lr=0.001, momentum=0.937) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)
                   all         23        399      0.969      0.962      0.983      0.687

mAP50-95は0.659から0.687に上昇しました。次のレッスンでは、この候補モデルを昇格ゲートにかけます。

以前の実行を再現するには、モデルページのTraining Configurationテーブルを開き、Copy JSON を選択してAdvanced Settingsに貼り付けます。ファインチューニングガイドではレイヤーの凍結について、ハイパーパラメータチューニングガイドでは体系的な探索について説明しています。

よくある落とし穴#