Meet YOLO26: next-gen vision AI.

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説明します。

Link to this sectionFAQ#

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:

Link to this sectionUltralyticsパッケージはどのようにインストールすればよいですか？#

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
  • NVIDIA GPU (CUDA 11.2以上)
  • 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トレーニング用)

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

Link to this section自分のデータセットでカスタムYOLOモデルをトレーニングするにはどうすればよいですか？#

カスタムYOLOモデルをトレーニングする手順:

  1. 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。

  2. 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）。

  3. 以下のPythonコードを使用してトレーニングを開始します。

    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で利用可能な学習済みモデルは何ですか？#

Ultralyticsは、さまざまなタスク向けに多様な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、学習済みモデルの全ラインナップをご覧ください。

Link to this sectionトレーニング済みのUltralyticsモデルを使用して推論を行うにはどうすればよいですか？#

トレーニング済みモデルで推論を行う手順:

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

バッチ処理や動画推論などの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？#

はい、可能です。Ultralyticsモデルは、さまざまなプラットフォームで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、またはOpenVINOを使用して、NVIDIA JetsonやIntel Neural Compute Stickなどのデバイスでの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またはiOSデバイスにデプロイします。
  • クラウド: スケーラブルなクラウドデプロイのために、TensorFlow ServingやPyTorch Serveなどのフレームワークを活用します。
  • Web: ONNX.jsまたはTensorFlow.jsを使用して、ブラウザ内での推論を実装します。

Ultralyticsは、モデルをさまざまなデプロイ形式に変換するエクスポート機能を提供しています。ユースケースに最適な解決策を見つけるために、幅広いデプロイオプションを探ってみてください。

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はネイティブでエンドツーエンドであり、NMS (Non-Maximum Suppression) なしで直接予測を出力するため、レイテンシを削減し、デプロイを簡素化します。
  • DFLの削除: YOLO26はDistribution Focal Lossモジュールを削除しており、エクスポートを簡素化し、エッジデバイスや低電力デバイスとの互換性を向上させています。
  • MuSGDオプティマイザー: SGDとMuon（Moonshot AIのKimi K2に触発された）のハイブリッドであり、より安定したトレーニングと高速な収束を実現します。
  • CPUパフォーマンス: YOLO26はCPU推論が最大43%高速化されており、GPUがないデバイスに最適です。
  • タスク固有の最適化: セマンティック損失とマルチスケール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、角度損失を用いた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いますが、YOLO26は高密度なピクセル単位の予測のためのセマンティックセグメンテーションも追加されています。両モデルとも、分類、姿勢推定、指向性物体検出 (OBB) を統合フレームワークで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。

  1. GitHubでUltralyticsリポジトリをフォークします。
  2. 機能追加やバグ修正のための新しいブランチを作成します。
  3. 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。
  4. 変更内容を明記したプルリクエストを送信します。
  5. コードレビュープロセスに参加します。

また、バグ報告、機能提案、ドキュメントの改善も可能です。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

環境固有のインストール手順や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の主な機能は何ですか？#

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

  • リアルタイム検出: リアルタイムのシナリオで効率的に物体を検出し、分類します。
  • マルチタスク機能: 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、指向性物体検出 (OBB) を一つの統一フレームワークで行えます。
  • 学習済みモデル: さまざまなユースケースで速度と精度のバランスが取れた多様な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、独自のデータセットでモデルを簡単に微調整できます。
  • 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にデプロイできます。
  • 充実したドキュメント: 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、協力的なコミュニティを活用できます。

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、いくつかの技術が有効です。

  1. 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します。
  2. データ拡張: 反転、拡大縮小、回転、色調整などの手法を実装し、トレーニングデータセットを強化してモデルの汎化性能を向上させます。
  3. 転移学習: 学習済みモデルを活用し、トレーニングガイドを使用して特定のデータセットで微調整します。
  4. 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。
  5. 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し、改善します。

Link to this sectionUltralytics YOLOモデルは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モデルはモバイルデバイスやエッジデバイスを含む、多用途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やCoreMLに変換し、AndroidまたはiOSアプリにシームレスに統合できます。プラットフォーム別の手順については、TFLite統合ガイドと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で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手順が記載されています。

さまざまなプラットフォーム全体での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トレーニング済みのUltralytics YOLOモデルを使用して推論を行うにはどうすればよいですか？#

トレーニング済みのUltralytics YOLOモデルでの推論は簡単です。

  1. モデルを読み込む:

    from ultralytics import YOLO

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

  2. 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、動画推論、カスタムの前処理を含む高度な推論技術については、詳細な予測ガイドを参照してください。

Link to this sectionUltralyticsの使用例やチュートリアルはどこで確認できますか？#

Ultralyticsは、開始からツールの習熟までをサポート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、コミュニティからの貢献。
  • ✍️ Ultralyticsブログ: 詳細な記事、使用例、技術的な知見。
  • 💬 コミュニティフォーラム: 他のユーザーと交流し、質問をしたり、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 または公式の ディスカッションフォーラム を通じてコミュニティに問い合わせてください。

貢献者
GLglenn-jocher13LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

コメント