総合チュートリアルUltralytics YOLO

Ultralytics'YOLO 🚀ガイドへようこそ！この包括的なチュートリアルでは、YOLO の物体検出モデルの様々な側面（トレーニング、予測からデプロイメントまで）をカバーしています。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 YOLOv8 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ました。

• 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。
• 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YOLOv8 、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 クイックスタート🚀 新機能：Microsoft の Azure Machine 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環境セットアップ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 YOLOv8 とNVIDIA'Triton Inference Server の統合についてご紹介します。
• 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。
• 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。
• コンピューター 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、コンピューター ビジョン プロジェクトに関連する主要な手順について説明します。
• コンピュータビジョンプロジェクトの目標 🚀の定義 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順を追って説明します。明確に定義された問題ステートメントの重要性と、それがプロジェクトのロードマップを作成する方法を学びます。
• データ収集と注釈 🚀 NEW: データを収集して注釈を付け、コンピューター ビジョン モデル用の高品質の入力を作成するためのツール、手法、ベスト プラクティスについて説明します。
• 注釈付きデータの 🚀前処理 NEW: 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、 YOLOv8これには、正規化、データセットの拡張、分割、探索的データ分析 (EDA) が含まれます。
• 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、事前トレーニング済みの重みの適用など、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。
• モデルの評価と微調整 🚀に関する洞察 NEW: コンピューター 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分析情報を取得します。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習します。
• 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。
• ROS クイックスタート 🚀 NEW: 統合方法を学ぶ YOLO ロボットオペレーティングシステム(ROS)により、点群画像や深度画像などの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実現します。

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：

from ultralytics import YOLO

model = YOLO("yolov8s.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=yolov8s.pt data=path/to/dataset.yaml epochs=50

データセットの詳細なフォーマットと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の評価に役立ちます。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、私のYOLO モデルをどのように展開できますか？

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。

コメント