コンテンツへスキップ

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。

主な対応モデルは以下の通り:

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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
  7. 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。
  8. YOLOv10:清華大学によるもので、NMSフリーのトレーニングと効率・精度重視のアーキテクチャを特徴とし、最先端のパフォーマンスとレイテンシーを実現。
  9. 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).
  10. モバイルセグメント何でもモデル (MobileSAM):MobileSAM for mobile applications, by Kyung Hee University.
  11. 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.
  12. YOLO-NAS:YOLO ニューラル・アーキテクチャ・サーチ(NAS)モデル。
  13. 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。
  14. 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:

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

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。

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

  6. 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。



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (11), Laughing-q (1)

コメント