YOLO Vision 2026:

Ultralytics YOLO よくある質問 (FAQ)#

このFAQセクションでは、Ultralytics YOLOリポジトリの利用時にユーザーが直面する可能性のある一般的な質問と問題に対処します。

よくある質問 (FAQ)#

  • Ultralyticsは、最先端の物体検出および画像セグメンテーションモデルを専門とするコンピュータビジョンAI企業であり、YOLO（You Only Look Once）ファミリに焦点を当てています。提供製品には以下が含まれます：

  • 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をご覧ください。

  • 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。

  • カスタムYOLOモデルを学習するには：

    1. データセットをYOLO形式（画像および対応するラベル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するYAMLファイルを作成します（データセットYAMLの例を参照）。

    3. 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)

    データの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ご参照ください。

  • 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
    • 深度推定: YOLO26n-depth、YOLO26s-depth、YOLO26m-depth、YOLO26l-depth、YOLO26x-depth
    • 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、速度と精度の間で異なるトレードオフを提供します。プロジェクトに最適なモデルを見つけるために、すべての事前学習済みモデルをご覧ください。

  • 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確認ください。

  • 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LiteRTまたはCore MLに変換し、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：LiteRT.jsまたはONNX.jsを使用して、ブラウザ内での推論を実装します。

    Ultralyticsは、モデルをデプロイ用にさまざまな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ソリューションを見つけるために、幅広いデプロイオプションをご確認ください。

  • 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、非最大値抑制（NMS）なしで直接予測を生成するため、レイテンシが削減され、デプロイが簡素化されます。
    • 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: 両方のモデルが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、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と、ピクセルごとの深度のための単眼深度推定も追加します。両モデルとも、統合フレームワーク内で分類、姿勢推定、および指向性物体検出（OBB）をサポートしています。

    機能とパフォーマンス指標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。

  • 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に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. 変更内容を明確に記述して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。

    バグの報告、機能の提案、またはドキュメントの改善を通じて貢献することもできます。詳細なガイドラインとベストプラクティスについては、貢献ガイドをご参照ください。

  • 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

    環境固有のインストール手順と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ご参照ください。

  • 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: 統合フレームワークにより、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、単眼深度推定、分類、姿勢推定、指向性物体検出（OBB）を実行できます。
    • 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をとる、さまざま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できます。
    • 幅広いデプロイオプション: TensorRT、ONNX、CoreMLなどのさまざまな形式にモデルをエクスポートし、さまざまなプラットフォームにデプロイできます。
    • 豊富なドキュメント: 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活用できます。

  • 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：

    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、スケーリング、回転、色調整などのテクニックを実装して、トレーニング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。
    3. 転移学習: 事前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、より高速な推論のためにモデルをTensorRTやONNXなどの最適化された形式に変換します。
    5. ベンチマーク: ベンチマークモードを利用して、推論速度と精度を体系的に測定し、向上させます。

  • 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: AndroidやiOSアプリへのシームレスな統合のために、モデルをLiteRTまたはCoreMLに変換します。プラットフォーム固有の手順については、LiteRT統合ガイドおよびCoreML統合ガイドをご参照ください。
    • エッジデバイス: TensorRTやONNXを使用して、NVIDIA Jetsonなどのデバイスやその他のエッジハードウェアでの推論を最適化します。Edge TPU統合ガイドには、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ご参照ください。

  • 学習済みUltralytics YOLOモデルでの推論実行は簡単です：

    1. モデルをロードする：

      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、カスタム前処理などの高度な推論テクニックについては、詳細な予測ガイドをご参照ください。

  • 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、および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、および技術的な洞察。
    • 💬 コミュニティフォーラム: 他のユーザーとつながり、質問し、経験を共有します。
    • 🎥 YouTubeチャンネル: さまざまなUltralyticsのトピックに関する動画チュートリアル、デモ、およびウェビナー。

    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。

    さらなる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お問い合わせください。

貢献者
GLglenn-jocher14PDpderrenger2RAraimbekovm2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

コメント