Ultralytics YOLO 総合チュートリアル

Ultralytics YOLO ガイドへようこそ。当社の総合的なチュートリアルでは、学習や推論からデプロイまで、YOLO 物体検出 モデルのさまざまな側面を網羅しています。PyTorch をベースに構築された 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。

ディープラーニング の初心者であってもエキスパートであっても、当社のチュートリアルは、コンピュータビジョン プロジェクトにおける YOLO の実装と最適化に関する貴重な知見を提供します。

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のコレクションです。

• モデルテストガイド: 現実的な環境下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合わせて、精度、信頼性、パフォーマンスを検証する方法を学びます。
• 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 モデルを稼働させるためのガイドです。クラウド環境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 形式に変換する完全ガイドです。検出、セグメンテーション、キーポイントを対象とし、CVAT、Label Studio、Roboflow それぞれのツール固有のヒントも網羅しています。
• COCO JSON 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 アノテーションを使用して直接 YOLO を学習します。
• 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、使用を開始する方法を学びます。
• 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記録、クラス加重損失の追加、モデル保存のカスタマイズ、バックボーンのフリーズ/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データを作成するための、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 デバイス上で 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構築するかを学びます。
• 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し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の分離コンテナ内での YOLO モデル実行方法を学びます。
• Raspberry Pi での Edge TPU: Google Edge TPU は、Raspberry Pi 上での YOLO 推論を加速させます。
• エンドツーエンド検出: YOLO26 の NMS（非最大値抑制）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、任意の torch.nn.Module (timm、torchvision、カスタムなど) を ONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch、および 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: 事前学習済みウェイト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ステージ学習、トラブルシューティングを網羅しています。
• 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し、YOLO モデルを最適化する方法を紹介します。
• 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関する洞察を得ます。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 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保守: 精度を保証し、異常を検出し、データドリフトを緩和するために、コンピュータビジョンモデルを監視、保守、文書化するための重要なプラクティスを理解します。
• モデルデプロイオプション: ONNX、OpenVINO、TensorRT といった YOLO モデルデプロイ 形式の概要と、各形式の長所と短所を解説し、デプロイ戦略の決定を支援します。
• 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解説です。YAML 形式の調査、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 統合と連携し、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、正規化を実行することで、CPU の前処理ボトルネックを解消します。
• NVIDIA DGX Spark: NVIDIA DGX Spark デバイス上で 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 デバイス上で 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 のレイテンシ対スループットモード: YOLO 推論のパフォーマンスを最大化するための、レイテンシおよびスループット最適化手法を学びます。
• アノテーション済みデータの前処理: 正規化、データセット拡張、分割、探索的データ分析 (EDA) など、YOLO26 を使用し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。
• 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: 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のために、YOLO を Robot Operating System (ROS) に統合する方法を学びます。点群や深度画像への対応も含まれます。
• SAHI タイル推論: 高解像度画像での物体検出に向けて、YOLO26 と 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: 目標定義、モデル選択、データ準備、結果評価など、コンピュータビジョンプロジェクトに伴う主要なステップについて学びます。
• モデル学習のヒント: バッチサイズ の最適化、混合精度 の使用、事前学習済みウェイトの適用など、コンピュータビジョンモデルの学習をスムーズにするためのヒントを探求します。
• Triton Inference Server 統合: スケーラブルで効率的なディープラーニング推論環境のデプロイに向けて、Ultralytics YOLO26 と NVIDIA Triton Inference Server の統合について解説します。
• Docker を使用した Vertex AI デプロイ: 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 セッションを使用している際に、VSCode の統合ターミナルを使って推論結果を表示します。
• YOLO26 学習レシピ: 公式の YOLO26 ベースチェックポイントを COCO で学習させる際に使用される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完全なドキュメントと、実践的なファインチューニングのガイダンスです。
• YOLO の一般的な問題 ⭐ 推奨: Ultralytics YOLO モデルを扱う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ための高度な戦略まで、YOLO におけるデータ拡張技術を完全に習得します。
• YOLO パフォーマンスメトリクス ⭐ 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 スレッドセーフ推論: YOLO モデルを使用してスレッドセーフな方法で推論を行うためのガイドラインです。スレッドセーフの重要性と、レースコンディション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 の特定の側面を習得し、まだ当社のガイドでカバーされていない場合は、ぜひあなたの専門知識を共有してください。ガイドを書くことは、コミュニティへの還元となり、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。

開始するには、プルリクエスト (PR) を開くためのガイドラインが記載された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。

FAQ

Ultralytics 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 でのカスタム物体検出モデルの学習は簡単です。まず、データセットを適切な形式で準備し、Ultralytics パッケージをインストールしてください。次のコードを使用して学習を開始します：

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

データセットの書式設定の詳細と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。

YOLO モデルの評価にはどのパフォーマンスメトリクス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。主要なメトリクスには、Mean Average Precision (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、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の改善方法については、YOLO パフォーマンスメトリクス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 Platform を使用すべき理由は何ですか？

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、初心者にも専門家にも最適です。その機能と、それがどのようにワークフローを効率化できるかについては、Ultralytics Platform クイックスタートガイドをご覧ください。

YOLO モデルの学習中に遭遇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 モデル学習中の一般的な問題には、データの書式設定エラー、モデルアーキテクチャの不一致、および 学習データ の不足があります。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、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 の一般的な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 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開始するには、NVIDIA Jetson および Raspberry Pi デプロイ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、設定、パフォーマンス最適化の手順を解説しています。