Ultralytics YOLO向け総合チュートリアル#

UltralyticsのYOLOガイドへようこそ。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メントに至るまで、YOLOのobject detectionモデルの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優れた速度とaccuracyで際立っています。

deep learningの初心者であるかエキスパートであるかに関わらず、当社のチュートリアルは、computer vision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インサイトを提供します。

ガイド#

ガイドはプロジェクトのステージ（環境構築、データ準備からトレーニング、評価、デプロイ、推論最適化、エッジハードウェアまで）ごとに分類されているため、取り組んでいるステップへすぐにアクセスできます。

開始と計画#

• Conda Quickstart: 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。
• Docker Quickstart: 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のインストール方法、GPUサポートの管理方法、一貫した開発とデプロイのために切り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。
• AzureML Quickstart: MicrosoftのAzure Machine Learningプラットフォーム上でUltralytics YOLOモデルを動かします。クラウドでの物体検出プロジェクトのトレーニング、デプロイ、スケーリングの方法を学びます。
• Modal Quickstart: ModalのサーバーレスクラウドプラットフォームでUltralytics YOLO26を実行します。認証、GPU推論、永続ストレージを使用したトレーニングジョブを網羅し、インフラストラクチャの管理は不要です。
• Defining A Computer Vision Project's Goals: コンピューター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順を追って説明します。十分に定義された問題提起の重要性と、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。
• Steps of a Computer Vision Project: 目標の定義、モデルの選択、データの準備、結果の評価など、コンピューター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。
• YOLO Architecture Explained: YOLOアーキテクチャがYOLOv3からYOLO26へ、バックボーン、ネック、検出ヘッドにわたってどのように進化したかをたどり、C2f、C3k2、C2PSAアテンション、アンカーフリー、NMSフリーの設計を網羅します。

データの準備#

• Data Collection and Annotation: コンピュータービジョンモデル向け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に関するツール、技術、ベストプラクティスを探索します。
• Preprocessing Annotated Data: 画像のリサイズ、正規化、データセットの分割、データ拡張、探索的データ分析（EDA）など、YOLO26を使用したコンピュータービジョン向けのデータ前処理を学びます。
• YOLO Data Augmentation: 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。
• COCO to YOLO Conversion: トレーニングのために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のマッピングや一般的な変換の落とし穴を含め、検出、セグメンテーション、キーポイントを網羅しています。
• COCO JSON Training: 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をトレーニングします。

トレーニングとファインチューニング#

• Tips for Model Training: コンピュータービジョンモデルのトレーニングを容易にするために、batch sizesの最適化、mixed precisionの使用、事前学習済み重みの適用などに関するヒントを探索します。
• Fine-Tuning YOLO on Custom Data: 事前学習済みの重みを使用してカスタムデータセットでYOLO26を微調整するための完全ガイドであり、転移学習、レイヤーの凍結、オプティマイザーの選択、2段階のトレーニング、トラブルシューティングを網羅しています。
• YOLO26 Training Recipe: COCO上の公式YOLO26ベースチェックポイントのトレーニングに使用されるハイパーパラメータ、拡張パイプライン、オプティマイザー設定の完全なドキュメントであり、実践的な微調整のガイダンスが含まれています。
• Hyperparameter Tuning: 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発見します。
• Knowledge Distillation: 特徴ベースの蒸留を使用して、大型の教師モデルから小型の生徒モデルへ知識を転移させることでモデルのパフォーマンスを向上させる方法を学びます。
• K-Fold Cross Validation: K分割交差検証技術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。
• Customizing Trainer: YOLOトレーナーをサブクラス化してカスタム指標をログに記録し、クラス重み付き損失を追加し、モデルの保存をカスタマイズし、バックボーンの凍結・解除を行い、レイヤーごとの学習率を設定する方法を学びます。
• Model YAML Configuration Guide: Ultralyticsのモデルアーキテクチャ定義についての包括的なディープダイブです。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。

評価とトラブルシューティング#

• YOLO Performance Metrics ⭐ ESSENTIAL: 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 score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方法に関する実践的な例とヒントが含まれています。
• Insights on Model Evaluation and Fine-Tuning: mAPやIoUなどの指標でコンピュータービジョンモデルを評価し、検出精度を向上させるために学習率ウォームアップなどのトレーニングパラメータを微調整します。
• Model Testing: 未知のデータでコンピュータービジョンモデルをテストし、YOLO26モデルを検証し、デプロイ前に過学習、未学習、データ漏洩を検出する方法を学びます。
• YOLO Common Issues ⭐ RECOMMENDED: Ultralytics YOLOモデルを使用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。
• Maintaining Your Computer Vision Model: 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、コンピュータービジョンモデルを監視、維持、文書化するための主要な実践を理解します。

デプロイと提供#

• Model Deployment Options: ONNX、OpenVINO、TensorRTなどのYOLO model deployment形式の概要であり、デプロイメント戦略を決定するためのそれぞれの長所と短所を示します。
• Best Practices for Model Deployment: 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、コンピューター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確認します。
• Export Non-YOLO Models: 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）をONNX、TorchScript、OpenVINO、CoreML、NCNN、MNN、PaddlePaddle、ExecuTorch、TensorFlow SavedModelに変換します。
• End-to-End Detection: YOLO26のNMSフリーの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を理解します。
• Triton Inference Server Integration: スケーラブルで効率的なディープラーニング推論のデプロイのために、Ultralytics YOLO26とNVIDIAのTriton Inference Serverの統合について深く掘り下げます。
• YOLO Thread-Safe Inference: スレッドセーフな方法でYOLOモデルを使用して推論を実行するためのガイドラインです。スレッドセーフティの重要性と、競合状態を防ぎ一貫した予測を確保するためのベストプラクティスを学びます。
• ROS Quickstart: 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）と統合する方法を学びます。
• Vertex AI Deployment with Docker: 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効率的なガイドです。ビルド、プッシュ、自動スケーリング、監視を網羅しています。

推論の最適化#

• SAHI Tiled Inference: 高解像度画像での物体検出のために、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。
• OpenVINO Latency vs Throughput Modes: ピーク時のYOLO推論パフォーマンスを実現するためのレイテンシおよびスループットの最適化技術を学びます。
• NVIDIA DALI GPU Preprocessing: 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前処理のボトルネックを解消します。
• Isolating Segmentation Objects: Ultralytics Segmentationを使用して画像からオブジェクトを抽出し、または分離する方法に関するステップバイステップのレシピと解説です。
• View Inference Images in a Terminal: リモートトンネルまたはSSHセッションを使用する際、VSCodeの統合ターミナルを使用して推論結果を表示します。

エッジおよび組み込みハードウェア#

• NVIDIA Jetson: 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です。
• 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。
• DeepStream on NVIDIA Jetson: 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です。
• Edge TPU on Raspberry Pi: Google Edge TPUは、Raspberry PiでのYOLO推論を加速します。
• NVIDIA DGX Spark: NVIDIA DGX Spark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です。
• DL Streamer on Intel: DL StreamerとOpenVINO™を使用してIntel Core Ultra Series 3デバイスにYOLO26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。

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。

開始にあたり、プルリクエスト（PR）を開く方法のガイドラインについては、Contributing Guideをお読みください。新しいガイドを追加する際は、プロジェクトのステージに一致する上記のカテゴリの下に配置し、ステップバイステップのチュートリアル、タスク指向のハウツー、リファレンスのいずれかの単一のページタイプに維持してください。これにより、コレクションが成長しても簡単に閲覧できるようになります。皆様のご貢献をお待ちしております。

よくある質問 (FAQ)#