用語集

ハイパーパラメーターのチューニング

Ultralytics YOLO のような ML モデルを最適化するためのハイパーパラメータチューニングをマスターします。エキスパートのテクニックで精度、スピード、パフォーマンスを向上させます。

Ultralytics HUB で
を使ってYOLO モデルをシンプルにトレーニングする。

さらに詳しく

ハイパーパラメータ最適化としても知られるハイパーパラメータチューニングは、機械学習(ML)における基本的なプロセスであり、モデルの性能を最大化するためのハイパーパラメータの最適な組み合わせを見つけることを目的としている。ハイパーパラメータは、学習中に学習されるモデルパラメータ(ニューラルネットワークのweights and biases )とは異なり、学習プロセスを開始する前に設定される構成設定である。これらの外部設定を調整することは、学習プロセスそのものを制御し、モデルがデータからいかに効果的に学習し、新しい未知の例に対していかに汎化するかに影響するため、非常に重要である。

ハイパーパラメータを理解する

ハイパーパラメータは、モデルの複雑さや学習速度など、より高いレベルの特性を定義する。一般的な例としては、最適化アルゴリズムで使用される学習率、モデルパラメータを更新する前に処理されるサンプル数を決定するバッチサイズニューラルネットワークの層数、正則化テクニックの強さなどがあります。ハイパーパラメータの選択はモデルの結果に大きく影響する。不適切な選択は、モデルが単純すぎてデータパターンを捉えられないアンダーフィッティングや、モデルがノイズを含めて訓練データを学習しすぎて汎化できないオーバーフィッティングを引き起こす可能性がある。

ハイパーパラメータのチューニングが重要な理由

効果的なハイパーパラメータのチューニングは、高性能なMLモデルを構築するために不可欠である。うまくチューニングされたモデルは、精度が向上し、学習中の収束が速くなり、テストデータでの汎化が改善されます。物体検出のような複雑なタスクでは、次のようなモデルを使用します。 Ultralytics YOLOのようなモデルを用いた物体検出のような複雑なタスクでは、最適なハイパーパラメータを見つけることで、平均平均精度(mAP)や推論速度のような性能指標を劇的に改善することができます。目標は、与えられた問題とデータセットに対してスイートスポットを見つけるために、バイアスと分散のトレードオフのようなトレードオフをナビゲートすることです。

ハイパーパラメータ調整のテクニック

最適なハイパーパラメータ値を探索するために、いくつかの戦略が存在する:

  • グリッド・サーチ:指定されたハイパーパラメータ値のすべての可能な組み合わせを網羅的に試行する。徹底的ではありますが、特にハイパーパラメータが多い場合は計算コストが高くなります。グリッド・サーチの詳細
  • ランダム探索:指定された分布からハイパーパラメータの組み合わせをランダムにサンプリングする。一様なグリッド上に良いパラメータが見つかるとは限らないため、グリッドサーチよりも効率的な場合が多い。ランダムサーチの詳細を見る
  • ベイズ最適化:確率モデルを使用して、どのハイパーパラメータがより良い結果をもたらすかを予測し、有望な領域に探索を集中させる。これは一般に、ランダム探索やグリッド探索よりも効率的である。Optunaのようなフレームワークが実装を提供している。
  • 進化的アルゴリズム:ハイパーパラメータを繰り返し改良するために、突然変異や淘汰のような生物学的進化に着想を得た概念を使用します。Ultralytics YOLOv5 、ハイパーパラメーターの進化に関するガイドが含まれています。

Weights & Biases Sweepsや KerasTunerのようなツールは、これらのチューニングプロセスの自動化と管理に役立ちます。

ハイパーパラメーターのチューニングと関連概念

ハイパーパラメータのチューニングを、関連するMLの概念と区別することは重要である:

  • モデル・パラメータとハイパーパラメータ:モデル・パラメータ(例えばCNNの重み)は、学習中にデータから学習される。ハイパーパラメータ(学習率、フィルター数など)は学習前に設定され、学習プロセスを構成する。
  • 最適化アルゴリズムとハイパーパラメータチューニングの比較: 最適化アルゴリズムAdamや SGDなど)は、損失関数を最小化するためにモデルのパラメータを調整する。ハイパーパラメータチューニングは、これらのアルゴリズムや、オプティマイザや特定の学習率の選択を含むトレーニングの他の側面について最適な設定を見つける。
  • 正則化とハイパーパラメータの調整:正則化テクニック(例:ドロップアウト層、L1/L2ペナルティ)は、オーバーフィッティングを防ぐのに役立つ。これらのテクニックのさや割合は、チューニングが必要なハイパーパラメータそのものである。

実世界での応用

ハイパーパラメータのチューニングは様々な領域に適用される:

  1. 医療画像解析: 腫瘍検出のためにUltralytics YOLO モデルをトレーニングする場合、学習率、データ増強設定(回転範囲、輝度調整など)、モデルアーキテクチャの選択(バックボーンの深さなど)などのハイパーパラメータを調整することは、MRIやCTなどのスキャンにおける腫瘍識別の感度と特異性を最大化するために非常に重要です。これにより、偽陽性を最小限に抑えながら、モデルが確実に異常を検出できるようになります。(ヘルスケアのAIソリューションを見る)。
  2. 自律走行: 自律走行車向けの知覚システムの開発において、ハイパーパラメータのチューニングは、様々な条件下(昼、夜、雨)で歩行者、車両、交通標識を正確に識別するために物体検出モデルを最適化します。検出信頼度のしきい値、非最大抑制(NMS)設定、入力画像の解像度などのパラメータをチューニングすることで、検出速度と精度のバランスをとることができ、セーフティクリティカルなアプリケーションに不可欠です。(車載ソリューションのAIを参照)。

Ultralyticsハイパーパラメータのチューニング

Ultralytics 、YOLO モデルのハイパーパラメータチューニングを簡素化するツールを提供します。その Ultralytics Tuner クラスに記録されている。 ハイパーパラメータ調整ガイド進化的アルゴリズムを用いてプロセスを自動化。以下のようなプラットフォームとの統合 レイ・チューン のようなリソースを使用して、特定のデータセットやタスクに対してモデルを効率的に最適化することができます。 Ultralytics HUB.

すべて読む