Meet YOLO26: next-gen vision AI.

Link to this section物体検出データセットの概要#

堅牢で高精度な物体検出モデルをトレーニングするには、包括的なデータセットが必要です。このガイドでは、Ultralytics YOLOモデルと互換性のある様々なデータセット形式を紹介し、その構造や使用方法、形式変換の方法について解説します。

Link to this sectionサポートされているデータセット形式#

Link to this sectionUltralytics YOLO形式#

Ultralytics YOLO形式は、データセットのルートディレクトリ、トレーニング/検証/テスト用画像ディレクトリへの相対パス（または画像パスを含む*.txtファイル）、およびクラス名の辞書を定義できるデータセット構成形式です。以下に例を示します。

ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

この形式のラベルは、画像ごとに1つの*.txtファイルを持つYOLO形式にエクスポートする必要があります。画像内に物体がない場合、*.txtファイルは不要です。*.txtファイルは、各行に1つの物体をclass x_center y_center width heightの形式で記述します。ボックス座標は正規化されたxywh形式（0から1の間）である必要があります。ボックスがピクセル単位である場合は、x_centerとwidthを画像幅で、y_centerとheightを画像高さで除算してください。クラス番号は0から始まるインデックスにする必要があります。

YOLO labeled image with bounding boxes on persons and tie

上記の画像に対応するラベルファイルには、2人の人物（クラス0）と1本のネクタイ（クラス27）が含まれています。

YOLO format label file with normalized coordinates

Ultralytics YOLO形式を使用する際は、以下のCOCO8データセットの例のように、トレーニング用と検証用の画像およびラベルを整理してください。

YOLO dataset directory structure with train and val folders

Link to this section使用例#

YOLO形式のデータセットを使用してモデルをトレーニングする方法は以下の通りです。

例
from ultralytics import YOLO

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

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

Link to this sectionUltralytics NDJSON形式#

NDJSON (Newline Delimited JSON)形式は、Ultralytics YOLOモデルのデータセットを定義するための代替手段を提供します。この形式では、データセットのメタデータとアノテーションを単一のファイルに格納し、各行に個別のJSONオブジェクトが含まれます。

NDJSONデータセットファイルには以下が含まれます。

  1. データセットレコード（1行目）：タスクタイプ、クラス名、一般的な情報を含むデータセットメタデータ
  2. 画像レコード（以降の行）：寸法、アノテーション、ファイルパスなど、個々の画像データ
NDJSONの例
{
    "type": "dataset",
    "task": "detect",
    "name": "Example",
    "description": "COCO NDJSON example dataset",
    "url": "https://app.ultralytics.com/user/datasets/example",
    "class_names": { "0": "person", "1": "bicycle", "2": "car" },
    "bytes": 426342,
    "version": 0,
    "created_at": "2024-01-01T00:00:00Z",
    "updated_at": "2025-01-01T00:00:00Z"
}

Link to this section使用例#

YOLO26でNDJSONデータセットを使用するには、.ndjsonファイルへのパスを指定するだけです。

例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train using NDJSON dataset
results = model.train(data="path/to/dataset.ndjson", epochs=100, imgsz=640)

Link to this sectionNDJSON形式の利点#

  • 単一ファイル：すべてのデータセット情報が1つのファイルに収められている
  • ストリーミング：すべてをメモリに読み込むことなく、大規模なデータセットを1行ずつ処理可能
  • クラウド統合：クラウドベースのトレーニングのためにリモート画像URLをサポート
  • 拡張性：カスタムメタデータフィールドの追加が容易
  • バージョン管理：単一ファイル形式のため、gitやバージョン管理システムと相性が良い

Link to this sectionサポートされているデータセット#

以下はサポートされているデータセットのリストと、それぞれの簡単な説明です。

  • African-wildlife：バッファロー、ゾウ、サイ、シマウマを含むアフリカの野生生物の画像データセット。
  • Argoverse：都市環境での3Dトラッキングと移動予測データを含む、詳細なアノテーション付きデータセット。
  • Brain-tumor：脳腫瘍検出のためのデータセット。MRIやCTスキャン画像を含み、腫瘍の有無、場所、特徴の詳細が含まれる。
  • COCO：Common Objects in Context (COCO) は、80の物体カテゴリを持つ大規模な物体検出、セグメンテーション、およびキャプション付けデータセットです。
  • COCO8：COCO trainおよびCOCO valの最初の4画像からなる小規模なサブセット。迅速なテストに適しています。
  • COCO8-Grayscale：RGBをグレースケールに変換して作成されたCOCO8のグレースケール版。シングルチャンネルモデルの評価に有用です。
  • COCO8-Multispectral：RGB波長を補間して作成された10チャンネルのマルチスペクトル版COCO8。スペクトルを考慮したモデル評価に有用です。
  • COCO12-Formats: 画像読み込みパイプラインの検証用に、12のサポートされている画像形式（AVIF、BMP、DNG、HEIC、JP2、JPEG、JPG、MPO、PNG、TIF、TIFF、WebP）を網羅した12枚の画像を含むテスト用データセットです。
  • COCO128: COCO train2017の最初の128枚の画像で構成される小規模なサブセットであり、テストに適しています。
  • Construction-PPE：建設現場の作業員を対象としたデータセット。ヘルメット、ベスト、手袋、ブーツ、ゴーグルなどの安全装備がラベル付けされており、no_helmetやno_goggleといった、現場でのコンプライアンス監視に必要な装備不足のアノテーションも含まれています。
  • Global Wheat 2020：Global Wheat Challenge 2020に向けた小麦の穂の画像データセット。
  • HomeObjects-3K：ベッド、椅子、テレビなどの屋内家庭用品のデータセット。スマートホーム自動化、ロボット工学、拡張現実、部屋のレイアウト分析への応用に最適です。
  • KITTI：ステレオカメラ、LiDAR、GPS/IMUデータを含む現実の運転シーンを特徴とするデータセット。ここでは、都市、農村、高速道路環境における自動車、歩行者、自転車などの識別といった2D物体検出タスクに使用されます。
  • LVIS：1203の物体カテゴリを持つ大規模な物体検出、セグメンテーション、およびキャプション付けデータセット。
  • Medical-pills：医療用ピルの画像データセット。医薬品の品質保証、ピルの選別、規制コンプライアンスなどの用途にアノテーションされています。
  • Objects365：365の物体カテゴリと60万枚以上の画像が含まれる、高品質で大規模な物体検出用データセット。
  • OpenImagesV7：Googleが提供する包括的なデータセット。170万枚のトレーニング画像と4.2万枚の検証画像を含みます。
  • Roboflow 100：7つの画像ドメインにまたがる100個のデータセットで構成される、多様な物体検出ベンチマーク。包括的なモデル評価が可能です。
  • Signature：署名がアノテーションされた様々な文書の画像データセット。文書照合や不正検出の研究をサポートします。
  • SKU-110K：小売環境における高密度な物体検出を特徴とするデータセット。1.1万枚以上の画像と170万個のバウンディングボックスが含まれます。
  • TT100K：清華大学とテンセントによる交通標識データセット（TT100K）。10万枚のストリートビュー画像と3万以上の注釈付き交通標識を含み、堅牢な検出および分類が可能です。
  • VisDrone：ドローンで撮影された画像とビデオシーケンスに基づく、物体検出およびマルチオブジェクトトラッキングデータセット。1万枚以上の画像を含みます。
  • VOC：Pascal Visual Object Classes (VOC) データセット。20の物体クラスと1.1万枚以上の画像による物体検出およびセグメンテーション用データセット。
  • xView：俯瞰画像による物体検出用データセット。60の物体カテゴリと100万個以上の注釈付き物体を含みます。

Link to this section独自のデータセットの追加#

独自のデータセットを持ち、Ultralytics YOLO形式で検出モデルをトレーニングしたい場合は、上記の「Ultralytics YOLO形式」で指定された形式に従っていることを確認してください。アノテーションを必要な形式に変換し、YAML構成ファイルでパス、クラス数、クラス名を指定してください。

Link to this sectionラベル形式の移植または変換#

Link to this sectionCOCOデータセット形式からYOLO形式へ#

以下のコードスニペットを使用して、一般的なCOCOデータセット形式のラベルをYOLO形式に簡単に変換できます。

例
from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

この変換ツールを使用して、COCOデータセットまたはCOCO形式のあらゆるデータセットをUltralytics YOLO形式に変換できます。このプロセスにより、JSONベースのCOCOアノテーションがよりシンプルなテキストベースのYOLO形式に変換され、Ultralytics YOLOモデルとの互換性が確保されます。

使用するデータセットがモデルと互換性があり、必要な形式規則に従っていることを必ず再確認してください。適切にフォーマットされたデータセットは、成功する物体検出モデルをトレーニングするために不可欠です。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLOデータセット形式とは何ですか？また、どのように構築しますか？#

Ultralytics YOLO形式は、トレーニングプロジェクトにおけるデータセット定義のための構造化された構成です。これには、トレーニング、検証、テスト用の画像および対応するラベルへのパス設定が含まれます。例えば：

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

ラベルは画像ごとに1つの*.txtファイルに保存され、正規化された座標でclass x_center y_center width heightとフォーマットされます。詳細なガイドについては、COCO8データセットの例を参照してください。

Link to this sectionCOCOデータセットをYOLO形式に変換するにはどうすればよいですか？#

Ultralytics変換ツールを使用して、COCOデータセットをYOLO形式に変換できます。簡単な方法は以下の通りです。

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

このコードを実行すると、COCOアノテーションがYOLO形式に変換され、Ultralytics YOLOモデルとシームレスに統合できるようになります。詳細については、ラベル形式の移植または変換セクションを参照してください。

Link to this sectionUltralytics YOLOでは、どの物体検出データセットがサポートされていますか？#

Ultralytics YOLOは、以下を含む幅広いデータセットをサポートしています。

各データセットのページでは、効率的なYOLO26トレーニングに向けた構造と使用方法の詳細情報を提供しています。全リストはサポートされているデータセットセクションで確認できます。

Link to this section独自のデータセットを使用してYOLO26モデルのトレーニングを開始するにはどうすればよいですか？#

YOLO26モデルのトレーニングを開始するには、データセットが適切にフォーマットされ、パスがYAMLファイルで定義されていることを確認してください。以下のスクリプトを使用してトレーニングを開始します。

例
from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

CLIコマンドを含む様々なモードの利用方法については、使用例セクションを参照してください。

Link to this sectionUltralytics YOLOを使用した物体検出の実践的な例はどこで見つけられますか？#

Ultralyticsは、様々なアプリケーションでYOLO26を使用するための多数の例と実践的なガイドを提供しています。包括的な概要については、Ultralyticsブログにアクセスしてください。そこでは、YOLO26を使用した物体検出、セグメンテーションなどを紹介する事例研究、詳細なチュートリアル、コミュニティのストーリーをご覧いただけます。特定の例については、ドキュメントの使用方法セクションを確認してください。

貢献者
GLglenn-jocher24RIRizwanMunawar7LALaughing-q3PRPrashantDixit01Y-Y-T-G1MAMatthewNoyce1JKjk4e1IVIvorZhu3311

コメント