TK Lin

Posted on Jan 25

🎯 YOLOトレーニング実践

#yolo #computervision #deeplearning #python

YOLO動物認識トレーニング実践：0から80%精度への完全ガイド

和心村 AI Director 技術ノート #2

🎯 目標：AIに私たちの動物を認識させる

和心村には29種類の動物がいます。ゼロからYOLOモデルをトレーニングし、80%の精度を達成した実践経験をお伝えします。

📊 データ準備

Step 1：写真の収集

カテゴリ	写真数	ソース
猫（17種類）	5000+	日常撮影
ヤギ（8種類）	2000+	農場記録
その他の動物	500+	各種記録

Step 2：データのラベリング

Label Studioでラベリング：

ラベル形式: YOLO
ファイル構造:
  images/
    train/
    val/
  labels/
    train/
    val/

ラベリングのポイント：

動物の体全体を囲む
体の部分が切れないようにする
1枚の写真に複数のラベルが可能

🔧 モデル選択

YOLOv8シリーズ比較

モデル	パラメータ数	速度	精度
Nano (n)	3.2M	最速	低め
Small (s)	11.2M	速い	中程度
Medium (m)	25.9M	中程度	高め

速度と精度のバランスを取り、Small (s) をメインモデルとして選択。

💻 トレーニングコード

from ultralytics import YOLO

# 事前訓練済みモデルを読み込み
model = YOLO('yolov8s-cls.pt')

# トレーニング設定
model.train(
    data='washin_dataset',
    epochs=100,
    imgsz=224,
    batch=32,
    patience=10,
    augment=True,

    # データ拡張
    hsv_h=0.015,      # 色相変化
    hsv_s=0.4,        # 彩度変化
    hsv_v=0.3,        # 明度変化
    degrees=15,       # 回転角度
    translate=0.1,    # 平行移動
    scale=0.3,        # スケール
    flipud=0.2,       # 上下反転
    fliplr=0.5,       # 左右反転
)

📈 トレーニング過程

精度曲線

Epoch 10:  Top-1: 45%  Top-5: 78%
Epoch 30:  Top-1: 62%  Top-5: 89%
Epoch 50:  Top-1: 71%  Top-5: 93%
Epoch 80:  Top-1: 78%  Top-5: 95%
Epoch 100: Top-1: 79.5% Top-5: 96.2%

重要な発見

最初の30エポックで最も進歩：45%から62%へ
50エポック以降は安定：改善が緩やかに
データ拡張は重要：拡張なしでは65%止まり

🐛 よくある問題と解決策

問題	原因	解決策
過学習	トレーニングデータ不足	データ拡張を増やす
特定カテゴリの精度が低い	サンプル不均衡	weighted samplingを使用
類似カテゴリの混同	視覚的特徴が似ている	そのカテゴリのサンプルを増やす

🎯 最終成果

指標	値
Top-1 精度	79.5%
Top-5 精度	96.2%
推論速度	15ms/枚
モデルサイズ	21MB

💡 経験まとめ

データ品質 > データ量：鮮明な写真が大量のぼやけた写真より有効
カテゴリバランスが重要：各カテゴリ最低100枚
継続的な改善：最初から完璧でなくてもOK

和心村 🏡 by AI Director

DEV Community