コンテンツにスキップ

Ultralytics YOLO総合チュートリアル

Ultralytics YOLO 🚀 ガイドへようこそ！Ultralyticsの包括的なチュートリアルでは、トレーニング、予測からデプロイメントまで、YOLO オブジェクト検出モデルの様々な側面をカバーしています。ベースは PyTorchYOLO 、リアルタイムの物体検出タスクにおいて、その卓越したスピードと精度で際立っています。

深層学習の初心者でも専門家でも、当社のチュートリアルでは、コンピュータ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。さあ、始めましょう！



見る: Ultralytics YOLO11 ガイドの概要

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：現実的な環境下でのコンピュータビジョンモデルのテストに関する包括的なガイド。プロジェクト目標に沿った精度、信頼性、パフォーマンスの検証方法を学びます。
  • AzureML クイックスタート:Microsoft AzureMachine Learningプラットフォーム上でUltralytics YOLO すぐに使い始めましょう。クラウド環境における物体検出プロジェクトのトレーニング、デプロイ、スケーリング方法を学びます。
  • モデルデプロイメント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におけるモデルの効率的なデプロイメントに関する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セットアップ手順ガイド。Ultralytics 効率的にインストールし、使い始める方法を学びましょう。
  • データ収集とアノテーション：コンピュータビジョンモデルの高品質な入力データを作成するための、データ収集とアノテーションのツール、技術、ベストプラクティスを探求します。
  • DeepStream onNVIDIA :NVIDIA デバイス上でDeepStreamとTensorRTを使用してYOLO デプロイするためのクイックスタートガイド
  • コンピュータビジョンプロジェクトの目標設定：コンピュータビジョンプロジェクトにおいて、明確かつ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定義の重要性と、それがプロジェクトのロードマップを構築する仕組みを学びましょう。
  • Dockerクイックスタート：DockerでUltralytics Ultralytics YOLO を設定・使用する完全ガイド。Dockerのインストール方法、GPU の管理方法、一貫した開発とデプロイのための分離されたコンテナ内YOLO 実行方法を学びます。
  • 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調整：Tunerクラスと遺伝的進化アルゴリズムを用いたハイパーパラメータの微調整により、YOLO 最適化方法を学びましょう。
  • モデル評価と微調整に関する知見：コンピュータビジョンモデルの評価と微調整における戦略とベストプラクティスを学びます。最適な結果を得るためのモデルの反復的な改善プロセスについて理解を深めます。
  • セグメンテーションオブジェクトの分離：Ultralytics を用いた画像からのオブジェクト抽出および分離の手順と解説
  • K分割交差検証：K分割交差検証手法を用いてモデルの汎化性能を向上させる方法を学びます。
  • コンピュータビジョンモデルの維持管理：精度を保証し、異常を検知し、データドリフトを軽減するために、コンピュータビジョンモデルの監視、維持、文書化に関する主要な実践方法を理解する。
  • 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モデルアーキテクチャ定義を包括的に深く掘り下げます。YAML 形式を探索し、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 :NVIDIA JetsonYOLO へのYOLOモデル展開クイックスタートガイド
  • OpenVINO スループットモード：YOLO ピーク性能を実現するレイテンシとスループットの最適化手法を学ぶ
  • 前処理済みデータの注釈付け:YOLO11を用いたコンピュータビジョンプロジェクトにおける画像データの前処理と拡張について学びます。これには正規化、データセット拡張、分割、探索的データ分析（EDA）が含まれます。
  • ラズベリーパイ: 最新のラズベリーパイハードウェアでYOLO を実行するためのクイックスタートチュートリアル
  • ROSクイックスタート：ロボット工学アプリケーションにおけるリアルタイム物体検出（点群データや深度画像を含む）のために、YOLO Operating System（ROS）YOLO 統合する方法を学びます。
  • SAHIタイル型推論：高解像度画像における物体検出YOLO11 と組み合わせてSAHIのスライス型推論機能を活用する包括的ガイド。
  • コンピュータビジョンプロジェクトの手順：目標の定義、モデルの選択、データの準備、結果の評価など、コンピュータビジョンプロジェクトにおける主要な手順について学びます。
  • 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（ミックスドプレシジョン）の使用、事前学習済み重みの適用など、コンピュータビジョンモデルのトレーニングをスムーズに進めるためのコツをご紹介します。
  • Triton 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、Ultralytics YOLO11 NVIDIA Triton Server の統合について詳しく解説します。
  • Dockerを使用したVertex AIデプロイメント：DockerでYOLO コンテナ化し、Google Vertex AIにデプロイする効率的なガイド—ビルド、プッシュ、自動スケーリング、モニタリングを網羅。
  • 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 ：基本変換からモデルの頑健性と性能を向上させる高度な戦略まで、YOLOデータ拡張技術の全範囲を習得する。
  • 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 ：YOLO スレッドセーフな方法で実行するためのガイドライン。スレッドセーフの重要性と、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。

まずは、プルリクエスト(PR) 🛠️ の開設方法のガイドラインについて、貢献ガイドをお読みください。あなたの貢献を楽しみにしています！

Ultralytics YOLO エコシステムをより堅牢で汎用性の高いものにするために協力しましょう 🙏!

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("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.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 モデルのパフォーマンスを評価することは、その有効性を理解する上で非常に重要です。主なメトリクスには、平均平均精度mAP）、Intersection over UnionIoU）、F1スコアがあります。これらのメトリクスは、物体検出タスクの精度と正確さを評価するのに役立ちます。これらのメトリクスの詳細とモデルの改善方法については、YOLO Performance Metricsガイドをご覧ください。

コンピュータビジョンプロジェクトにUltralytics HUBを使用する理由は何ですか？

Ultralytics HUBは、YOLOモデルの管理、トレーニング、および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、リアルタイム追跡、およびクラウドトレーニングをサポートしており、初心者とプロフェッショナルの両方にとって理想的です。Ultralytics HUBクイックスタートガイドで、その機能とワークフローを合理化する方法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 モデルを展開するには、モデルをTensorRT TFLiteような互換性のあるフォーマットに変換する必要があります。NVIDIA Jetsonと Raspberry Piのデプロイメントのためのステップバイステップのガイドに従って、エッジハードウェアでのリアルタイムのオブジェクト検出を始めましょう。これらのガイドでは、インストール、設定、パフォーマンスの最適化について説明します。



📅 2年前に作成されました✏️ 1日前に更新されました
glenn-jocherRizwanMunawarabirami-vinaBurhan-QlakshanthadY-T-Gvitali.lobanov@pm.mepicsalexUltralyticsAssistantMatthewNoyceambitious-octopus

コメント