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！当社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 物体検出モデルのさまざまな側面を取り上げています。PyTorch上に構築されたYOLOは、リアルタイムの物体検出タスクにおける卓越した速度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。

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 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主要な指標（mAP、IoU、F1スコアなど）について理解しましょう。検出精度と速度を向上させるための実践的な例とヒントが含まれています。
YOLO スレッドセーフな推論 🚀 新機能：YOLO モデルでスレッドセーフな推論を実行するためのガイドライン。競合状態を防ぎ、一貫した予測を保証するためのスレッドセーフの重要性とベストプラクティスを学びます。
YOLOデータ拡張 🚀 NEW: YOLOにおけるデータ拡張技術の全範囲を習得しましょう。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。
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🚀NEW: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。
K-分割交差検証 🚀 NEW: K-分割交差検証手法を使用してモデルの汎化を改善する方法を学びます。
ハイパーパラメータチューニング 🚀 NEW: 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により、YOLOモデルを最適化する方法をご覧ください。
SAHI Tiled Inference 🚀 新機能: 高解像度画像での物体検出のために、YOLO11 で SAHI のスライス推論機能を活用するための包括的なガイド。
AzureMLクイックスタート 🚀 NEW: MicrosoftのAzure Machine LearningプラットフォームでUltralytics YOLOモデルを起動して実行します。クラウドでオブジェクト検出プロジェクトをトレーニング、デプロイ、および拡張する方法を学びます。
Conda Quickstart 🚀 NEW: UltralyticsのConda環境をセットアップするためのステップごとのガイド。Condaを使用してUltralyticsパッケージを効率的にインストールし、使用を開始する方法を学びます。
Docker Quickstart 🚀 NEW: Dockerを使用したUltralytics YOLOモデルのセットアップと使用に関する完全なガイド。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メントのために分離されたコンテナでYOLOモデルを実行する方法を学びます。
Raspberry Pi 🚀 新機能: 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スタートチュートリアル。
NVIDIA Jetson 🚀 新機能：NVIDIA JetsonデバイスへのYOLOモデルのデプロイに関するクイックスタートガイド。
DeepStream on NVIDIA Jetson 🚀 NEW: 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。
Triton Inference Serverの統合 🚀 NEW: スケーラブルで効率的な深層学習推論デプロイメントのために、Ultralytics YOLO11とNVIDIAのTriton Inference Serverの統合について詳しく説明します。
セグメンテーションオブジェクトの分離 🚀 NEW: Ultralytics セグメンテーションを使用して、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ごとのレシピと説明。
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。
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。
OpenVINO Latency vs Throughput Modes - ピークYOLO推論パフォーマンスのためのレイテンシとスループットの最適化手法を学びます。
ROS クイックスタート 🚀 新機能: ロボットオペレーティングシステム（ROS）と YOLO を統合して、点群や深度画像を含むロボットアプリケーションでリアルタイムの物体検出を行う方法を学びます。
コンピュータビジョンプロジェクトのステップ 🚀 NEW: 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関わる主要なステップについて学びます。
Defining A Computer Vision Project's Goals 🚀 NEW: コンピュータビジョンプロジェクトのために、明確で測定可能な目標を効果的に定義する方法を順を追って説明します。明確に定義された問題文の重要性と、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。
Data Collection and Annotation 🚀 NEW: コンピュータビジョンモデル用の高品質な入力を作成するための、データの収集とアノテーションのためのツール、テクニック、およびベストプラクティスを探求してください。
アノテーション付きデータの前処理 🚀 新機能：正規化、データセットの拡張、分割、探索的データ分析（EDA）など、YOLO11を使用したコンピュータビジョンプロジェクトでの画像データの前処理と拡張について学びます。
モデルトレーニングのヒント 🚀 新着: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簡単にするためのヒントをご覧ください。
モデル評価と微調整に関する洞察 🚀 NEW: コンピュータビジョンモデルを評価および微調整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てください。最適な結果を達成するためのモデルの反復的な改良プロセスについて学びます。
モデルテストのガイド 🚀 NEW: 現実的な設定でコンピュータビジョンモデルをテストするための詳細なガイド。プロジェクトの目標に沿って、精度、信頼性、パフォーマンスを検証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 🚀 NEW: 最適化、トラブルシューティング、およびセキュリティに焦点を当てて、コンピュータ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紹介します。
コンピュータビジョンモデルのメンテナンス 🚀 NEW: 精度を保証し、異常を発見し、データの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、メンテナンス、およびドキュメント化のための主要なプラクティスを理解します。
Dockerを使用したVertex AIデプロイメント 🚀 NEW：Dockerで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合理化されたガイド。構築、プッシュ、自動スケーリング、および監視について説明します。

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、投稿ガイドをお読みになり、プルリクエスト（PR）🛠️;をオープンする方法に関するガイドラインをご確認ください。皆様からのご貢献をお待ちしております。

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

PythonCLI

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モデルの性能を評価することは、その有効性を理解するために非常に重要です。主な指標には、平均適合率（mAP）、Intersection over Union（IoU）、F1スコアなどがあります。これらの指標は、物体検出タスクの精度と適合率を評価するのに役立ちます。これらの指標の詳細やモデル改善の方法については、YOLOの性能指標に関する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 などのエッジデバイスに 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物体検出を開始してください。これらのガイドでは、インストール、構成、およびパフォーマンスの最適化について説明します。

📅 1年前に作成 ✏️ 3日前に更新