Ultralytics YOLO よくある質問(FAQ)
このFAQセクションは、ユーザーがリポジトリを使用する際に遭遇する可能性のある一般的な質問と問題を取り上げます。 UltralyticsYOLO を紹介します。
よくあるご質問
Ultralytics 、何を提供するのか?
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:
- Open-source implementations of YOLO11 and YOLO11
- 様々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、配備のための多目的ツール
- 豊富なドキュメントと協力的なコミュニティ
Ultralytics パッケージのインストール方法は?
Ultralytics パッケージのインストールは、pipを使って簡単にできる:
最新の開発版については、GitHubリポジトリから直接インストールしてください:
詳しいインストール方法はクイックスタートガイドに記載されています。
Ultralytics 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 3.7+
- PyTorch 1.7+
- CUDA互換GPU (GPU アクセラレーション用)
推奨されるセットアップ
- Python 3.8+
- PyTorch 1.10+
- NVIDIA GPU CUDA 11.2+ を使用
- 8GB+ RAM
- 50GB+の空きディスク容量(データセットの保存とモデルトレーニング用)
よくある問題のトラブルシューティングについては、YOLO 「よくある問題」のページをご覧ください。
How can I train a custom YOLO11 model on my own dataset?
To train a custom YOLO11 model:
- データセットの準備場所 YOLO フォーマット(画像と対応するラベルのtxtファイル)。
- 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。
- 以下を使用します Python トレーニングを開始するためのコード:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.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、より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。
Ultralytics 、どのような事前学習済みモデルが利用できますか?
Ultralytics offers a diverse range of pretrained YOLO11 models for various tasks:
- Object Detection: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
- Instance Segmentation: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
- Classification: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.
訓練されたUltralytics モデルを使って推論を行うには?
トレーニング済みのモデルで推論を実行するには、次のようにします。
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。
Ultralytics モデルは、エッジ・デバイスや生産環境に導入可能か?
もちろんです!Ultralytics モデルは、さまざまなプラットフォームで多目的に展開できるように設計されています:
- エッジデバイス:NVIDIA Jetson やIntel Neural Compute Stick などのデバイスで、TensorRT 、ONNX 、OpenVINO を使用して推論を最適化します。
- モバイル:モデルをTFLiteまたはCore MLに変換することで、Android またはiOS デバイスにデプロイ。
- Cloud: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
- ウェブ:ONNX.js またはTensorFlow.js を使ってブラウザ内推論を実装する。
Ultralytics には、モデルを配備のためにさまざまな形式に変換するエクスポート機能があります。幅広い展開オプションから、ユースケースに最適なソリューションをお探しください。
What's the difference between YOLOv8 and YOLO11?
主な違いは以下の通り:
- Architecture: YOLO11 features an improved backbone and head design for enhanced performance.
- Performance: YOLO11 generally offers superior accuracy and speed compared to YOLOv8.
- Tasks: YOLO11 natively supports object detection, instance segmentation, and classification in a unified framework.
- Codebase: YOLO11 is implemented with a more modular and extensible architecture, facilitating easier customization and extension.
- Training: YOLO11 incorporates advanced training techniques like multi-dataset training and hyperparameter evolution for improved results.
For an in-depth comparison of features and performance metrics, visit the YOLO comparison page.
Ultralytics オープンソース・プロジェクトに貢献するには?
Ultralytics に貢献することは、プロジェクトを向上させ、あなたのスキルを伸ばす素晴らしい方法です。参加方法は以下の通りです:
- をフォークします。 Ultralytics リポジトリにあります。
- 機能またはバグ修正用の新しいブランチを作成します。
- 変更を加え、すべてのテストに合格することを確認します。
- 変更の明確な説明を添え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。
また、バグを報告したり、機能を提案したり、ドキュメントを改善したりすることでも貢献できます。詳細なガイドラインとベストプラクティスについては、貢献ガイドを参照してください。
Python にUltralytics パッケージをインストールするには?
Python 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、pipを使用します:
最先端の開発版については、GitHubリポジトリから直接インストールしてください:
環境別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。
Ultralytics YOLO の主な特徴は?
Ultralytics YOLO は、高度なオブジェクト検出と画像セグメンテーションのための豊富な機能セットを誇っています:
- 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。
- 事前学習済みモデル:様々なユースケースに対応する、スピードと精度のバランスが取れた様々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により、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。
- 幅広い展開オプション: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て、さまざまなプラットフォームに展開できます。
- 豊富なドキュメント:包括的なドキュメンテーションと、コンピュータビジョンの旅を通してあなたをガイドするサポートコミュニティの恩恵を受けることができます。
YOLO の各バージョンの機能とアーキテクチャについては、YOLO のモデルページをご覧ください。
YOLO モデルのパフォーマンスを向上させるには?
YOLO モデルのパフォーマンスを向上させるには、いくつかのテクニックがある:
- Hyperparameter Tuning: Experiment with different hyperparameters using the Hyperparameter Tuning Guide to optimize model performance.
- Data Augmentation: Implement techniques like flip, scale, rotate, and color adjustments to enhance your training dataset and improve model generalization.
- Transfer Learning: Leverage pre-trained models and fine-tune them on your specific dataset using the Train YOLO11 guide.
- 効率的なフォーマットへのエクスポート:エクスポートガイドを使用して、モデルをTensorRT やONNX のような最適化された形式に変換し、より高速な推論を実現します。
- ベンチマーク:ベンチマークモードを利用して、推論スピードと精度を体系的に測定し、改善する。
Ultralytics YOLO モデルをモバイル・デバイスやエッジ・デバイスに展開できますか?
はい、Ultralytics YOLO モデルは、モバイルやエッジ・デバイスを含む多目的な展開のために設計されています:
- モバイル:Android またはiOS アプリにシームレスに統合するために、モデルを TFLite 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、『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 またはONNX を使用して、NVIDIA Jetson やその他のエッジハードウェアのようなデバイス上で推論を最適化する。エッジTPU 統合ガイドには、エッジ展開のための詳細な手順が記載されている。
さまざまなプラットフォームにおける展開戦略の包括的な概要については、展開オプションガイドを参照してください。
学習済みのUltralytics YOLO モデルを使って推論を行うにはどうすればよいですか?
訓練されたUltralytics YOLO モデルを使って推論を行うのは簡単である:
- モデルをロードする:
- 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技術については、詳細な予測ガイドを参照してください。
Ultralytics の使用例やチュートリアルはどこにありますか?
Ultralytics には、ツールを使いこなすための豊富なリソースが用意されている:
- 📚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、スクリプト例、コミュニティへの貢献。
- ✍️Ultralytics ブログ:詳細な記事、使用例、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、経験を共有しましょう。
- YouTubeチャンネル:様々なUltralytics 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。
これらのリソースは、コード例、実際の使用例、Ultralytics モデルを使用した様々なタスクのステップバイステップのガイドを提供します。
さらにサポートが必要な場合は、遠慮なく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連絡してください。