対応モデルUltralytics
Ultralytics' モデルのドキュメントへようこそ!私たちは、物体検出、インスタンス分割、画像分類、姿勢推定、多オブジェクト追跡などの特定のタスクに合わせた、幅広いモデルのサポートを提供しています。あなたのモデルアーキテクチャをUltralytics に寄稿することに興味がある方は、寄稿ガイドをご覧ください。
注目モデル
主な対応モデルは以下の通り:
- YOLOv3:ジョセフ・レッドモン(Joseph Redmon)により開発されたYOLO モデル・ファミリーの第3世代モデル。
- YOLOv4:Alexey Bochkovskiyによって2020年にリリースされたYOLOv3のダークネットネイティブアップデート。
- YOLOv5:Ultralytics によるYOLO アーキテクチャの改良版で、以前のバージョンと比較してパフォーマンスとスピードのトレードオフが改善されている。
- YOLOv6:2022年にMeituan社から発売され、同社の自律型配送ロボットの多くに採用されている。
- YOLOv7:YOLOv4の作者によって2022年にリリースされたYOLO の更新モデル。
- YOLOv8 NEW 🚀:インスタンスのセグメンテーション、ポーズ/キーポイントの推定、分類などの機能が強化された、 ファミリーの最新バージョン。YOLO
- YOLOv9:プログラマブル勾配情報(PGI)を実装したUltralytics YOLOv5Programmable Gradient Information (PGI)を実装したコードベースモデル。
- セグメント何でもモデル (SAM):メタのセグメント何でもモデル (SAM).
- モバイルセグメント何でもモデル (MobileSAM):MobileSAM for mobile applications, by Kyung Hee University.
- 高速セグメント何でもモデル (FastSAM):FastSAM by 中国科学院自動化研究所画像映像解析グループ.
- YOLO-NAS:YOLO ニューラル・アーキテクチャ・サーチ(NAS)モデル。
- リアルタイム検出トランス (RT-DETR):百度のPaddlePaddle リアルタイム検出トランスフォーマー(RT-DETR)のモデル。
- YOLO-世界:Tencent AI Labのリアルタイム公開語彙オブジェクト検出モデル。
見るんだ: Ultralytics YOLO モデルをわずか数行のコードで実行。
はじめに使用例
この例では、単純なYOLO トレーニングと推論の例を提供します。これらのモードや他のモードに関する完全なドキュメントはPredict,Train,ValandExportdocs ページを参照してください。
以下の例は、YOLOv8 オブジェクト検出のためのDetectモデルであることに注意してください。その他のサポートされるタスクについては、Segment、Classify、Poseのドキュメントを参照してください。
例
PyTorch じゅくれんした *.pt
モデルおよび構成 *.yaml
ファイルに渡すことができる。 YOLO()
, SAM()
, NAS()
そして RTDETR()
クラスを使用して、Python でモデルのインスタンスを作成します:
from ultralytics import YOLO
# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.pt')
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model('path/to/bus.jpg')
CLI コマンドでモデルを直接実行できる:
新しいモデルの貢献
あなたのモデルをUltralytics に投稿することに興味がありますか?もちろんです!私たちは、モデル・ポートフォリオを拡大するために常にオープンです。
-
リポジトリをフォークする:Ultralytics GitHub リポジトリをフォークしてください。
-
フォークのクローン: フォークをローカルマシンにクローンし、作業用の新しいブランチを作成します。
-
モデルを実装する:寄稿ガイドで提供されているコーディング標準とガイドラインに従って、モデルを追加します。
-
徹底的なテスト:モデルを単独で、あるいはパイプラインの一部として、厳密にテストすること。
-
プルリクエストを作成する:モデルに満足したら、メインリポジトリにプルリクエストを作成し、レビューしてもらいましょう。
-
コードレビューとマージ:レビュー後、あなたのモデルが私たちの基準を満たしていれば、メインリポジトリにマージされます。
詳細な手順については、コントリビューティングガイドを参照してください。