Link to this sectionUltralytics YOLO よくある質問 (FAQ)#

このFAQセクションでは、Ultralytics YOLOリポジトリを使用する際にユーザーが直面する可能性のある一般的な質問や問題について解説します。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralyticsとはどのような企業で、何を提供していますか？#

Ultralytics is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

YOLO26（最新）およびYOLO11（前世代）のオープンソース実装
さまざまなコンピュータビジョンタスクに対応する幅広い事前学習済みモデル
YOLOモデルをプロジェクトにシームレスに統合するための包括的なPythonパッケージ
モデルのトレーニング、テスト、デプロイを行うための汎用的なツール
広範なドキュメントとサポートコミュニティ

Link to this sectionUltralyticsパッケージのインストール方法を教えてください。#

Ultralyticsパッケージのインストールは、pipを使用して簡単に行えます：

pip install ultralytics

最新の開発バージョンについては、GitHubリポジトリから直接インストールしてください：

pip install git+https://github.com/ultralytics/ultralytics.git

詳細なインストール手順は、クイックスタートガイドで確認できます。

Link to this sectionUltralyticsモデルを実行するためのシステム要件は何ですか？#

最小要件：

Python 3.8以上
PyTorch 1.8以上
CUDA対応GPU（GPUアクセラレーション用）

推奨セットアップ：

Python 3.8以上
PyTorch 1.10以上
CUDA 11.2以上を搭載したNVIDIA GPU
8GB以上のRAM
50GB以上の空きディスク容量（データセット保存およびモデル学習用）

一般的な問題のトラブルシューティングについては、YOLOの一般的な問題ページをご覧ください。

Link to this section独自のデータセットでカスタムYOLOモデルを学習するにはどうすればよいですか？#

カスタムYOLOモデルを学習するには：

データセットをYOLO形式（画像と対応するラベルtxtファイル）で準備します。
データセットの構造とクラスを記述したYAMLファイルを作成します（データセットYAMLの例を参照）。

学習を開始するには、以下のPythonコードを使用します：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

データ準備や高度なトレーニングオプションを含む詳細なガイドについては、包括的なトレーニングガイドを参照してください。

Link to this sectionUltralyticsではどのような事前学習済みモデルが利用可能ですか？#

Ultralyticsでは、さまざまなタスク向けに多様な事前学習済みモデルを提供しています：

物体検出：YOLO26n、YOLO26s、YOLO26m、YOLO26l、YOLO26x
インスタンスセグメンテーション：YOLO26n-seg、YOLO26s-seg、YOLO26m-seg、YOLO26l-seg、YOLO26x-seg
セマンティックセグメンテーション：YOLO26n-sem、YOLO26s-sem、YOLO26m-sem、YOLO26l-sem、YOLO26x-sem
分類：YOLO26n-cls、YOLO26s-cls、YOLO26m-cls、YOLO26l-cls、YOLO26x-cls
姿勢推定：YOLO26n-pose、YOLO26s-pose、YOLO26m-pose、YOLO26l-pose、YOLO26x-pose
指向性物体検出 (OBB)：YOLO26n-obb、YOLO26s-obb、YOLO26m-obb、YOLO26l-obb、YOLO26x-obb

これらのモデルはサイズと複雑さが異なり、速度と精度のトレードオフが異なります。プロジェクトに最適なモデルを見つけるには、事前学習済みモデルの全範囲を確認してください。

Link to this section学習済みUltralyticsモデルを使用して推論を実行するにはどうすればよいですか？#

学習済みモデルで推論を実行するには：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

バッチ処理やビデオ推論を含む高度な推論オプションについては、詳細な予測ガイドをご覧ください。

Link to this sectionUltralyticsモデルはエッジデバイスや本番環境にデプロイできますか？#

もちろんです！Ultralyticsモデルは、さまざまなプラットフォームへの柔軟なデプロイを想定して設計されています：

エッジデバイス：TensorRT、ONNX、OpenVINOを使用して、NVIDIA JetsonやIntel Neural Compute Stickなどのデバイスで推論を最適化します。
モバイル：モデルをTFLiteまたはCore MLに変換して、AndroidやiOSデバイスにデプロイします。
クラウド：TensorFlow ServingやPyTorch Serveのようなフレームワークを活用して、スケーラブルなクラウドデプロイを実現します。
Web：ONNX.jsまたはTensorFlow.jsを使用して、ブラウザ内推論を実装します。

Ultralyticsは、モデルをさまざまな形式に変換してデプロイするためのエクスポート機能を提供しています。用途に合わせて最適な解決策を見つけるには、幅広いデプロイオプションを確認してください。

Link to this sectionYOLO11とYOLO26の違いは何ですか？#

主な違いは以下の通りです：

エンドツーエンドNMSフリー推論：YOLO26はネイティブなエンドツーエンドモデルであり、非最大値抑制 (NMS) なしで直接予測を出力するため、レイテンシを低減し、デプロイを簡素化します。
DFLの削除：YOLO26ではDistribution Focal Lossモジュールが削除されており、エクスポートが簡素化され、エッジデバイスや低電力デバイスとの互換性が向上しています。
MuSGDオプティマイザ：より安定した学習と高速な収束を実現するため、SGDとMuon（Moonshot AIのKimi K2に触発された）のハイブリッドを採用しています。
CPUパフォーマンス：YOLO26はCPU推論が最大43%高速化しており、GPU非搭載のデバイスに最適です。
タスク固有の最適化：セマンティックロスとマルチスケールprotosによるセグメンテーションの強化、高精度な姿勢推定のためのRLE、アングルロスによるOBBデコードの改善。
タスク：両モデルとも物体検出とインスタンスセグメンテーションをサポートしており、さらにYOLO26では高密度なピクセルレベル予測のためのセマンティックセグメンテーションが追加されています。また、両モデルとも統一フレームワーク内で分類、姿勢推定、指向性物体検出 (OBB) をサポートしています。

機能とパフォーマンスメトリクスの詳細な比較については、YOLO26ドキュメントページをご覧ください。

Link to this sectionUltralyticsのオープンソースプロジェクトに貢献するにはどうすればよいですか？#

Ultralyticsへの貢献は、プロジェクトを改善し自身のスキルを向上させる絶好の機会です。貢献の手順は以下の通りです：

GitHubでUltralyticsリポジトリをフォークします。
機能追加やバグ修正のために新しいブランチを作成します。
変更を加え、すべてのテストがパスすることを確認します。
変更内容を明確に記述してプルリクエストを送信します。
コードレビュープロセスに参加します。

バグの報告、機能の提案、ドキュメントの改善を通じて貢献することも可能です。詳細なガイドラインとベストプラクティスについては、貢献ガイドを参照してください。

Link to this sectionPythonでUltralyticsパッケージをインストールするにはどうすればよいですか？#

PythonでのUltralyticsパッケージのインストールは簡単です。ターミナルまたはコマンドプロンプトで以下のコマンドを実行してpipを使用してください：

pip install ultralytics

最先端の開発バージョンについては、GitHubリポジトリから直接インストールしてください：

pip install git+https://github.com/ultralytics/ultralytics.git

環境ごとのインストール手順およびトラブルシューティングのヒントについては、包括的なクイックスタートガイドを参照してください。

Link to this sectionUltralytics YOLOの主な特徴は何ですか？#

Ultralytics YOLOは、高度なコンピュータビジョンタスク向けの豊富な機能を備えています：

リアルタイム検出：リアルタイムなシナリオで物体を効率的に検出および分類します。
マルチタスク機能：統一されたフレームワークで、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、分類、姿勢推定、および指向性物体検出 (OBB) を実行します。
事前学習済みモデル: さまざまなユースケースに合わせて、速度と精度のバランスが取れた多様な事前学習済みモデルにアクセスできます。
カスタムトレーニング: 柔軟なトレーニングパイプラインを使用して、カスタムデータセットでモデルを簡単に微調整（ファインチューニング）できます。
幅広いデプロイオプション: モデルをTensorRT、ONNX、CoreMLなどのさまざまな形式にエクスポートして、異なるプラットフォームへデプロイできます。
広範なドキュメント: コンピュータビジョンワークフローのための包括的なドキュメントとサポートコミュニティをご活用ください。

Link to this sectionYOLOモデルのパフォーマンスを向上させるにはどうすればよいですか？#

YOLOモデルのパフォーマンス向上には、いくつかの手法があります：

ハイパーパラメータチューニング: ハイパーパラメータチューニングガイドを使用して、さまざまなハイパーパラメータを試し、モデルのパフォーマンスを最適化できます。
データ拡張：反転、スケーリング、回転、色調整などの手法を実装して、学習データセットを強化し、モデルの汎化性能を向上させます。
転移学習：事前学習済みモデルを活用し、学習ガイドを使用して特定のデータセットに合わせて微調整します。
効率的な形式へのエクスポート：エクスポートガイドを使用して、モデルをTensorRTやONNXなどの最適化された形式に変換し、推論を高速化します。
ベンチマーク: ベンチマークモードを活用して、推論速度と精度を体系的に測定・改善できます。

Link to this sectionUltralytics YOLOモデルをモバイルデバイスやエッジデバイスにデプロイできますか？#

はい、Ultralytics YOLOモデルはモバイルやエッジデバイスを含む多様なデプロイを想定して設計されています：

モバイル: モデルをTFLiteまたはCoreMLに変換して、AndroidやiOSアプリにシームレスに統合できます。プラットフォーム固有の手順については、TFLite統合ガイドおよびCoreML統合ガイドを参照してください。
エッジデバイス: TensorRTやONNXを使用して、NVIDIA Jetsonやその他のエッジハードウェア上の推論を最適化できます。Edge TPU統合ガイドに、エッジデプロイの詳細なステップが記載されています。

さまざまなプラットフォームにわたるデプロイ戦略の包括的な概要については、デプロイオプションガイドを参照してください。

Link to this section学習済みUltralytics YOLOモデルを使用して推論を実行するにはどうすればよいですか？#

学習済みUltralytics YOLOモデルでの推論実行は簡単です：

モデルをロードする：

from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

推論を実行する：

results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

バッチ処理、ビデオ推論、カスタム前処理を含む高度な推論テクニックについては、詳細な予測ガイドを参照してください。

Link to this sectionUltralyticsを使用するための例やチュートリアルはどこにありますか？#

Ultralyticsは、使用開始からツールマスターまでを支援する豊富なリソースを提供しています：

📚 公式ドキュメント: 包括的なガイド、APIリファレンス、ベストプラクティス。
💻 GitHubリポジトリ：ソースコード、サンプルスクリプト、およびコミュニティからの貢献。
✍️ Ultralyticsブログ：詳細な記事、ユースケース、技術的な洞察。
💬 コミュニティフォーラム: 他のユーザーと交流し、質問を投稿したり、経験を共有したりできます。
🎥 YouTubeチャンネル: さまざまなUltralyticsのトピックに関するビデオチュートリアル、デモ、ウェビナーを公開しています。

これらのリソースでは、Ultralyticsのモデルを使用したさまざまなタスクのためのコード例、実際のユースケース、ステップバイステップガイドを提供しています。

さらにサポートが必要な場合は、Ultralyticsのドキュメントを参照するか、GitHub Issuesや公式ディスカッションフォーラムを通じてコミュニティにお問い合わせください。

貢献者

GLglenn-jocher¹⁴ RAraimbekovm² LALaughing-q² SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

作成日時 2023年11月12日更新日時 4 日前