総合チュートリアルUltralytics YOLO

Q: How do I train a custom object detection model using Ultralytics YOLO?

Ultralytics YOLO を使ったカスタムオブジェクト検出モデルのトレーニングは簡単です。まずデータセットを正しいフォーマットで準備し、Ultralytics パッケージをインストールする。以下のコードを使用してトレーニングを開始する：データセットの詳細なフォーマット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。

Ultralytics'YOLO 🚀ガイドへようこそ！私たちの包括的なチュートリアルは、トレーニングや予測から展開に至るまで、YOLO オブジェクト検出モデルのさまざまな側面をカバーしています。で構築されています。 PyTorchYOLO は、リアルタイムの物体検出タスクにおいて、その卓越した速度と精度で際立っています。

あなたがディープラーニングの初心者であろうと専門家であろうと、私たちのチュートリアルは、あなたのコンピュータビジョンプロジェクトのための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、飛び込みましょう！

見るんだ： Ultralytics YOLO11 ガイドの概要

ガイド

ここでは、Ultralytics YOLO のさまざまな側面をマスターするのに役立つ詳細なガイドをまとめた。

YOLO よくある問題⭐ RECOMMENDED:Ultralytics YOLO モデルで作業する際に最も頻繁に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 モデルのパフォーマンス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。検出精度と速度を向上させる方法についての実践的な例とヒントを含みます。
YOLO スレッドセーフ推論🚀 NEW:YOLO モデルでスレッドセーフに推論を行う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ぶ。
モデル展開のオプション：ONNX 、OpenVINO 、TensorRT など、YOLO モデル展開形式の概要と、それぞれの長所と短所を紹介し、展開戦略に役立てます。
K-Foldクロスバリデーション🚀 NEW: K-Foldクロスバリデーション技術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のチューニング🚀NEW: Tuner クラスと遺伝的進化アルゴリズムを使ってハイパーパラメータを微調整し、YOLO のモデルを最適化する方法をご覧ください。
SAHI Tiled Inference🚀NEW: SAHIのスライス推論機能をYOLO11 、高解像度画像の物体検出に活用するための包括的なガイド。
AzureML Quickstart🚀 新機能：Microsoft の AzureMachine Learningプラットフォーム上で、Ultralytics YOLO モデルを立ち上げて実行します。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、スケールする方法を学びます。
Condaクイックスタート🚀NEW: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。Ultralytics パッケージをインストールし、Conda で効率的に使い始める方法を学ぶ。
Docker Quickstart🚀 NEW:Ultralytics YOLO モデルをDockerでセットアップして使用するための完全ガイド。Dockerのインストール方法、GPU サポートの管理方法、YOLO モデルを隔離されたコンテナで実行し、一貫した開発とデプロイを行う方法を紹介します。
Raspberry Pi🚀 NEW：YOLO モデルを最新の Raspberry Pi ハードウェアで動作させるためのクイックスタートチュートリアル。
NVIDIA Jetson🚀 NEW：NVIDIA Jetson デバイスにYOLO モデルを展開するためのクイックスタートガイド。
NVIDIA Jetson上のDeepStream🚀 NEW：DeepStream およびTensorRT を使用してNVIDIA Jetson デバイス上にYOLO モデルを展開するためのクイックスタートガイド。
Triton 推論サーバーの統合🚀新た: スケーラブルで効率的なディープラーニングの推論を展開するために、Ultralytics YOLO11 とNVIDIA'Triton Inference Server の統合についてご紹介します。
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ついてのステップバイステップのレシピと説明。
Raspberry Pi上のエッジTPU ： Google Raspberry Pi上のEdgeTPU YOLO 推論を高速化。
ターミナルでの推論イメージの表示リモートトンネルまたはSSHセッションを使用している場合、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 レイテンシーモードとスループットモード-YOLO 推論パフォーマンスをピークにするためのレイテンシーとスループットの最適化テクニックを学びます。
ROSクイックスタート🚀新機能: 点群画像や深度画像を含むロボットアプリケーションにおけるリアルタイムの物体検出のために、YOLO をロボットオペレーティングシステム (ROS) と統合する方法を学びます。
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重要なステップについて学びます。
コンピュータビジョンプロジェクトの目標を定義する🚀 NEW: コンピュータ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。
データ収集とアノテーション🚀 NEW: コンピュータビジョンモデルの高品質なインプットを作成するためのデータ収集とアノテーションのためのツール、テクニック、ベストプラクティスをご紹介します。
注釈付きデータの前処理🚀NEW:YOLO11 を使用して、正規化、データセットの拡張、分割、探索的データ解析（EDA）など、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。
モデルトレーニングのヒント🚀 NEW:バッチサイズの最適化、混合精度の使用、事前学習済みの重みの適用など、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し、微調整するための戦略とベストプラクティスについて洞察します。最適な結果を得るためにモデルを改良する反復プロセスについて学びます。
モデルテストに関するガイド🚀 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徹底的なガイドです。プロジェクトの目標に沿った精度、信頼性、パフォーマンスを検証する方法を学びます。
モデル展開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、セキュリティに焦点を当て、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展開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を監視、メンテナンス、文書化するための重要なプラクティスを理解します。

ガイドへの貢献

私たちはコミュニティからの貢献を歓迎します！もしあなたがUltralytics YOLO の特定の側面をマスターしていて、私たちのガイドでまだカバーされていない場合、あなたの専門知識を共有することをお勧めします。ガイドを書くことは、コミュニティに恩返しをし、私たちの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のに役立つ素晴らしい方法です。

まずは、プルリクエスト(PR) 🛠️ の開設方法に関する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強固で汎用性の高いものにするため、一緒に頑張りましょう🙏！

よくあるご質問

Ultralytics YOLO を使ってカスタム物体検出モデルをトレーニングするには？

Ultralytics YOLO を使ったカスタムオブジェクト検出モデルのトレーニングは簡単です。まず、データセットを正しいフォーマットで準備し、Ultralytics パッケージをインストールする。以下のコードを使って学習を開始する：

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

データセットの詳細なフォーマットやその他の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、どのようなパフォーマンス指標を用いるべきか？

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 Union（IoU）、F1 スコアなどがあります。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ガイドを参照してください。

なぜコンピュータ・ビジョンのプロジェクトにUltralytics HUB を使う必要があるのですか？

Ultralytics HUBは、YOLO モデルの管理、トレーニング、デプロイを簡素化するコード不要のプラットフォームです。シームレスな統合、リアルタイムのトラッキング、クラウドトレーニングをサポートしており、初心者にもプロフェッショナルにも理想的です。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どのように効率化できるかをご覧ください。

YOLO モデルトレーニング中に直面する一般的な問題とは？

YOLO モデルのトレーニング中によくある問題には、データのフォーマットエラー、モデルアーキテクチャの不一致、トレーニングデータの不足などがあります。これらの問題に対処するには、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のバージョンをチェックし、トレーニングデータを増やしてください。解決策の包括的なリストについては、YOLO よくある問題ガイドを参照してください。

エッジ・デバイスでのリアルタイム物体検出のために、どのようにYOLO 。

NVIDIA Jetson や Raspberry Pi などのエッジデバイスにYOLO モデルを展開するには、モデルをTensorRT や TFLite などの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検出を始めてください。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。

📅作成：1年前 ✏️更新 4日前