Link to this sectionUltralytics YOLO向け総合チュートリアル#

Ultralytics YOLOガイドへようこそ。当社の総合チュートリアルでは、YOLO 物体検出モデルの学習から予測、デプロイに至るまで、さまざまな側面を網羅しています。PyTorchを基盤とするYOLOは、リアルタイム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。

初心者の方からディープラーニングの専門家まで、当社のチュートリアルは、コンピュータビジョンプロジェクトにおいてYOLOを実装および最適化するための貴重な洞察を提供します。

Link to this sectionガイド#

Ultralytics YOLOのさまざまな側面を習得するための詳細ガイド集です。

• AzureMLクイックスタート: MicrosoftのAzure 機械学習プラットフォーム上でUltralytics YOLOモデルを立ち上げて実行する方法を学びます。クラウド上で物体検出プロジェクトを学習、デプロイ、スケーリングする方法を習得してください。
• モデルデプロイのベストプラクティス: 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、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解説します。
• COCOからYOLOへの変換: 学習のためにCOCO JSONアノテーションをYOLO形式に変換するための完全ガイドです。クラスIDのマッピングや変換時の一般的な落とし穴を含め、検出、セグメンテーション、キーポイントについてカバーしています。
• COCO JSONによる学習: カスタムデータセットクラスとトレーナーを使用して、YOLO形式に変換することなく、COCO JSONアノテーションで直接YOLOを学習する方法です。
• 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。
• トレーナーのカスタマイズ: YOLOトレーナーをサブクラス化して、カスタムメトリクスのログ記録、クラス重み付け損失の追加、モデル保存のカスタマイズ、バックボーンのフリーズ/解除、レイヤーごとの学習率設定を行う方法を学びます。
• データ収集とアノテーション: コンピュータビジョンモデルに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、技術、ベストプラクティスを探求します。
• NVIDIA JetsonでのDeepStream: DeepStreamとTensorRTを使用して、NVIDIA Jetsonデバイス上に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。
• コンピュータビジョンプロジェクトの目標定義: コンピュータビジョンプロジェクトの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。明確な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を使用してUltralytics YOLOモデルをセットアップおよび使用するための完全ガイドです。Dockerのインストール、GPUサポートの管理、一貫した開発とデプロイのために分離されたコンテナ内でYOLOモデルを実行する方法を学びます。
• Raspberry PiでのEdge TPU: Google Edge TPUは、Raspberry Pi上でのYOLO推論を高速化します。
• エンドツーエンド検出: YOLO26のNMS不要なエンドツーエンド検出、エクスポートの互換性、出力形式の変更、および古いYOLOモデルからの移行方法について理解します。
• 非YOLOモデルのエクスポート: Ultralyticsのスタンドアロンエクスポートユーティリティを使用して、あらゆる torch.nn.Module (timm, torchvision, カスタムなど) をONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch、TensorFlow SavedModelに変換します。
• カスタムデータでのYOLOファインチューニング: プリトレーニング済み重みを使用してカスタムデータセットでYOLO26をファインチューニングするための完全ガイドです。転移学習、レイヤーのフリーズ、オプティマイザの選択、2段階学習、トラブルシューティングをカバーしています。
• ハイパーパラメータチューニング: Tunerクラスと遺伝的アルゴリズムを使用してハイパーパラメータを微調整し、YOLOモデルを最適化する方法を見つけます。
• モデル評価とファインチューニングの洞察: コンピュータ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ついての知見を得ます。最適な結果を得るためのモデル洗練の反復プロセスについて学びます。
• セグメンテーションオブジェクトの分離: 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解説です。
• K-Fold交差検証: K-Fold交差検証手法を使用し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: コンピュータビジョンモデルを監視、維持、文書化するための主要な手法を理解し、精度の保証、異常の検出、データドリフトの緩和を行います。
• モデルデプロイのオプション: ONNX、OpenVINO、TensorRTなどのYOLOモデルデプロイ形式の概要と、デプロイ戦略を決定するためのそれぞれのメリット・デメリットを解説します。
• モデルテスト: 未知のデータを用いてコンピュータビジョンモデルをテストし、YOLO26モデルを検証する方法を学びます。また、デプロイ前にオーバーフィッティング、アンダーフィッティング、データリークを検出する方法についても解説します。
• モデルYAML構成ガイド: Ultralyticsのモデルアーキテクチャ定義に関する包括的な詳細解説です。YAML形式の探求、モジュール解決システムの理解、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 DALI GPU前処理: Triton Inference Serverの統合により、NVIDIA DALIを使用してGPU上でYOLOのレターボックスリサイズ、パディング、正規化を実行し、CPUの前処理ボトルネックを解消します。
• NVIDIA DGX Spark: NVIDIA DGX Sparkデバイス上に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。
• NVIDIA Jetson: NVIDIA Jetsonデバイス上に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のレイテンシ vs スループットモード: YOL0推論のパフォーマンスを最大限に引き出すための、レイテンシおよびスループットの最適化手法を学びます。
• アノテーション付きデータの前処理: 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、YOLO26を使用してコンピュータビジョンプロジェクトで画像データの前処理と拡張を行う方法を学びます。
• 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スタートチュートリアルです。
• ROSクイックスタート: ポイントクラウドや深度画像を含む、ロボティクスアプリケーションでのリアルタイム物体検出のために、YOLOをRobot Operating System (ROS) に統合する方法を学びます。
• SAHIタイル推論: 高解像度画像での物体検出において、YOLO26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です。
• コンピュータビジョンプロジェクトのステップ: 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。
• モデル学習のヒント: コンピュータビジョンモデルの学習を円滑にするために、バッチサイズの最適化、混合精度の使用、プリトレーニング済み重みの適用などに関するヒントを探求します。
• Triton Inference Serverの統合: スケーラブルで効率的なディープラーニング推論デプロイのために、Ultralytics YOLO26とNVIDIAのTriton Inference Serverを統合する方法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簡略化されたガイドです。ビルド、プッシュ、オートスケーリング、監視をカバーしています。
• ターミナルでの推論画像の表示: Remote TunnelまたはSSHセッションを使用する際に、VSCodeの統合ターミナルを使用して推論結果を表示する方法です。
• YOLO26学習レシピ: 公式YOLO26ベースチェックポイントをCOCO上で学習するために使用されたハイパーパラメータ、拡張パイプライン、オプティマイザ設定の全ドキュメントと、実践的なファインチューニングのガイダンスです。
• YOLOのよくある問題 ⭐ 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です。
• YOLO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のパフォーマンス指標 ⭐ 重要: 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、およびF1スコアなどの主要な指標を理解します。検出の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のスレッドセーフな推論: スレッドセーフな方法でYOLOモデルを使用して推論を行うためのガイドラインです。レースコンディションを防ぎ、一貫した予測を確実に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。

Link to this sectionガイドへの貢献#

コミュニティからの貢献を歓迎します！まだ当社のガイドでカバーされていないUltralytics YOLOの特定の側面を習得されている場合は、ぜひその専門知識を共有してください。ガイドを執筆することは、コミュニティに還元し、当社のドキュメントをより包括的でユーザーフレンドリーなものにするための素晴らしい方法です。

始めるには、プルリクエスト(PR)を開くためのガイドラインについて貢献ガイドをお読みください。皆様の貢献をお待ちしております。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLOを使用してカスタム物体検出モデルを学習するにはどうすればよいですか？#

Ultralytics YOLOでカスタム物体検出モデルを学習するのは簡単です。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。以下のコードを使用して学習を開始してください：

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

詳細なデータセット形式やその他のオプションについては、モデル学習のヒントガイドを参照してください。

Link to this sectionYOLOモデルの評価にはどのようなパフォーマンス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ために不可欠です。主要な指標には、Mean Average Precision (mAP)、Intersection over Union (IoU)、F1スコアがあります。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、モデルを向上させる方法については、YOLOのパフォーマンス指標ガイドで確認できます。

Link to this sectionなぜコンピュータビジョンプロジェクトにUltralytics Platformを使用すべきなのですか？#

Ultralytics Platformは、YOLOモデルの管理、学習、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、クラウド学習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最適です。その機能やワークフローを効率化する方法については、Ultralytics Platformクイックスタートガイドをご覧ください。

Link to this sectionYOLOモデルの学習中に直面する一般的な問題は何ですか？また、それらを解決するにはどうすればよいですか？#

YOLOモデルの学習中によくある問題には、データの書式エラー、モデルアーキテクチャの不一致、学習データの不足などがあります。これに対処するには、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、学習データを拡張してください。解決策の完全なリストについては、YOLOのよくある問題ガイドを参照してください。

Link to this sectionエッジデバイスでのリアルタイム物体検出のために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。エッジハードウェアでのリアルタイム物体検出を始めるには、NVIDIA JetsonおよびRaspberry Piのステップバイステップガイドに従ってください。これらのガイドでは、インストール、構成、パフォーマンスの最適化について詳しく説明しています。