Ultralytics YOLOの包括的なチュートリアル
UltralyticsのYOLOガイドへようこそ。私たちの包括的なチュートリアルでは、トレーニングや予測からデプロイまで、YOLOの物体検出モデルの様々な側面をカバーしています。PyTorchをベースとするYOLOは、リアルタイムの物体検出タスクにおいて、その並外れた速度と精度で際立っています。
ディープラーニングの初心者でも専門家でも、私たちのチュートリアルは、あなたのコンピュータービジョンプロジェクトにおけるYOLOの実装と最適化に関する貴重な洞察を提供します。
見る: Ultralytics YOLO26 ガイド概要
ガイド
Ultralytics YOLOのさまざまな側面をマスターするための詳細なガイドをまとめました。
- モデルテストガイド: コンピュータービジョンモデルを現実的な設定でテストするための包括的なガイドです。プロジェクトの目標に沿って、精度、信頼性、および性能を検証する方法を学びます。
- AzureMLクイックスタート: MicrosoftのAzure Machine LearningプラットフォームでUltralytics YOLOモデルを迅速に使い始めましょう。クラウドでオブジェクトdetectプロジェクトをトレーニング、デプロイ、スケーリングする方法を学びます。
- モデルデプロイのベストプラクティス: コンピュータービジョンプロジェクトでモデルを効率的にデプロイするためのヒントとベストプラクティスを解説します。最適化、トラブルシューティング、セキュリティに焦点を当てています。
- Condaクイックスタート: Ultralytics用のConda環境をセットアップするためのステップバイステップガイドです。Condaを使用してUltralyticsパッケージを効率的にインストールし、使い始める方法を学びます。
- データ収集とアノテーション: コンピュータービジョンモデル用の高品質な入力を作成するためのデータ収集とアノテーションに関するツール、テクニック、ベストプラクティスを探ります。
- NVIDIA Jetson上のDeepStream: DeepStreamとTensorRTを使用してNVIDIA JetsonデバイスにYOLOモデルをデプロイするためのクイックスタートガイドです。
- コンピュータービジョンプロジェクトの目標定義: コンピュータービジョンプロジェクトの明確で測定可能な目標を効果的に定義する方法を解説します。明確に定義された問題記述の重要性と、それがプロジェクトのロードマップをどのように作成するかを学びます。
- Dockerクイックスタート: DockerでUltralytics YOLOモデルをセットアップして使用するための完全ガイドです。Dockerのインストール方法、GPUサポートの管理方法、および一貫した開発とデプロイのためにYOLOモデルを隔離されたコンテナで実行する方法を学びます。
- Raspberry Pi上のEdge TPU:Google Edge TPUは、Raspberry Pi上でのYOLO推論を高速化します。
- ハイパーパラメータチューニング: Tunerクラスと遺伝的進化アルゴリズムを使用してハイパーパラメータを微調整することで、YOLOモデルを最適化する方法を発見します。
- モデル評価とファインチューニングに関する洞察: コンピュータービジョンモデルを評価およびファインチューニングするための戦略とベストプラクティスに関する洞察を得ます。最適な結果を達成するためにモデルを洗練する反復プロセスについて学びます。
- segmentオブジェクトの分離: Ultralytics Segmentationを使用して画像からオブジェクトを抽出および/または分離する方法に関するステップバイステップのレシピと説明です。
- K分割交差検証: K分割交差検証手法を使用してモデルの汎化能力を向上させる方法を学びます。
- コンピュータービジョンモデルの保守: 精度を保証し、異常を発見し、データドリフトを軽減するために、コンピュータービジョンモデルを監視、保守、および文書化するための主要なプラクティスを理解します。
- モデルデプロイメントオプション: ONNX、OpenVINO、TensorRTなどのYOLO モデルデプロイメント形式の概要と、デプロイメント戦略を知らせるための各形式の長所と短所。
- モデルyaml設定ガイド: Ultralyticsのモデルアーキテクチャ定義に関する包括的な詳細ガイドです。yaml形式を探求し、モジュール解決システムを理解し、カスタムモジュールをシームレスに統合する方法を学びます。
- NVIDIA DGX Spark: NVIDIA DGX SparkデバイスにYOLOモデルをデプロイするためのクイックスタートガイド。
- NVIDIA Jetson: NVIDIA JetsonデバイスにYOLOモデルをデプロイするためのクイックスタートガイドです。
- OpenVINOレイテンシ対スループットモード: ピーク時のYOLO推論性能のためのレイテンシとスループット最適化技術を学びます。
- アノテーション付きデータの事前処理: YOLO26を使用したコンピュータービジョンプロジェクトにおける画像データの事前処理と拡張について、正規化、データセットの拡張、分割、探索的データ分析（EDA）を含めて学びます。
- Raspberry Pi: 最新のRaspberry PiハードウェアでYOLOモデルを実行するためのクイックチュートリアルです。
- ROSクイックスタート: ロボットオペレーティングシステム (ROS) とYOLOを統合し、ポイントクラウドやデプス画像を含むロボティクスアプリケーションでリアルタイムオブジェクトdetectを行う方法を学びます。
- SAHIタイル推論: 高解像度画像における物体detectのため、YOLO26と連携したSAHIのスライス推論機能の活用に関する包括的なガイド。
- コンピュータービジョンプロジェクトのステップ: 目標設定、モデル選択、データ準備、結果評価など、コンピュータービジョンプロジェクトにおける主要なステップについて学びます。
- モデルトレーニングのヒント: バッチサイズの最適化、混合精度の使用、事前学習済み重みの適用など、コンピュータービジョンモデルのトレーニングを容易にするためのヒントを探ります。
- Triton Inference Server統合: スケーラブルで効率的な深層学習推論デプロイメントを実現するための、Ultralytics YOLO26とNVIDIAのTriton Inference Serverの統合について詳しく解説します。
- DockerによるVertex AIデプロイ: Dockerを使用してYOLOモデルをコンテナ化し、Google Cloud Vertex AIにデプロイするための効率的なガイドです。ビルド、プッシュ、オートスケーリング、モニタリングを網羅しています。
- ターミナルで推論画像を表示する: Remote TunnelまたはSSHセッションを使用する場合、VSCodeの統合ターミナルを使用して推論結果を表示します。
- YOLO よくある問題 ⭐ 推奨：Ultralytics YOLO モデルを使用する際によく遭遇する問題に対する実践的な解決策とトラブルシューティングのヒント。
- YOLOのデータ拡張: 基本的な変換から、モデルの堅牢性とパフォーマンスを向上させるための高度な戦略まで、YOLOにおけるデータ拡張技術の全範囲を習得します。
- YOLOパフォーマンス指標 ⭐ 必須：YOLOモデルの性能を評価するために使用されるmAP、IoU、F1スコアなどの主要な指標を理解します。detectの精度と速度を向上させる方法に関する実践的な例とヒントが含まれています。
- YOLOのThread-Safeな推論: YOLOモデルでスレッドセーフな方法で推論を実行するためのガイドライン。スレッドセーフティの重要性と、競合状態を防ぎ、一貫した予測を保証するためのベストプラクティスを学びます。
ガイドへの貢献
コミュニティからの貢献を歓迎します！Ultralytics YOLOの特定の部分を習得していて、まだガイドでカバーされていない場合は、専門知識を共有してください。ガイドを書くことは、コミュニティに貢献し、ドキュメントをより包括的でユーザーフレンドリーにするための素晴らしい方法です。
まず、プルリクエスト (PR) の作成方法に関するガイドラインについて、私たちのコントリビューションガイドをお読みください。皆様からの貢献をお待ちしております。
よくある質問
Ultralytics YOLO を使用して、カスタム物体検出モデルをトレーニングするにはどうすればよいですか？
Ultralytics YOLOを使用したカスタムオブジェクト検出モデルの学習は簡単です。まず、データセットを正しい形式で準備し、Ultralyticsパッケージをインストールします。次のコードを使用して、学習を開始します。
例
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo26n.pt data=path/to/dataset.yaml epochs=50
詳細なデータセットの形式設定と追加オプションについては、モデルトレーニングのヒントガイドを参照してください。
YOLO モデルを評価するために、どのような性能指標を使用すべきですか？
YOLOモデルの性能評価は、その有効性を理解するために不可欠です。主要な指標には、平均精度 (mAP)、Intersection over Union (IoU)、およびF1スコアが含まれます。これらの指標は、オブジェクトdetectタスクの精度と正確さを評価するのに役立ちます。これらの指標とモデルの改善方法については、弊社のYOLO Performance Metricsガイドで詳しく学ぶことができます。
コンピュータービジョンプロジェクトにUltralytics Platformを使用すべき理由は何ですか？
Ultralytics Platformは、YOLOモデルの管理、トレーニング、デプロイを簡素化するノーコードプラットフォームです。シームレスな統合、リアルタイムtrack、クラウドトレーニングをサポートしており、初心者からプロフェッショナルまで理想的です。その機能と、当社のUltralytics Platformクイックスタートガイドでワークフローをどのように効率化できるかについて詳しくご覧ください。
YOLOモデルのトレーニング中に直面する一般的な問題は何ですか？また、それらをどのように解決できますか？
YOLOモデルのトレーニング中によくある問題には、データ形式のエラー、モデルアーキテクチャの不一致、および不十分なトレーニングデータが含まれます。これらに対処するには、データセットが正しくフォーマットされていることを確認し、互換性のあるモデルバージョンを確認し、トレーニングデータを拡張します。包括的な解決策のリストについては、YOLOのよくある問題に関するガイドを参照してください。
エッジデバイスでリアルタイム物体検出を行うために、YOLOモデルをデプロイするにはどうすればよいですか？
NVIDIA JetsonやRaspberry PiのようなエッジデバイスにYOLOモデルをデプロイするには、モデルをTensorRTやTFLiteなどの互換性のある形式に変換する必要があります。NVIDIA JetsonおよびRaspberry Piへのデプロイに関するステップバイステップガイドに従って、エッジハードウェアでのリアルタイムオブジェクトdetectを開始してください。これらのガイドでは、インストール、設定、および性能最適化について説明します。
