Ultralytics YOLO26 モード

はじめに

Ultralytics YOLO26 は単なる物体検出モデルではありません。データ収集やモデルのトレーニングから、検証、デプロイ、そして実世界でのトラッキングに至るまで、機械学習モデルのライフサイクル全体をカバーするために設計された多機能なフレームワークです。各モードは特定の目的のために存在し、さまざまなタスクやユースケースで求められる柔軟性と効率性を提供するよう設計されています。

モードの概要

Ultralytics YOLO26 がサポートする各 モード を理解することは、モデルを最大限に活用するために不可欠です。

• Train モード：カスタムデータセットや事前に読み込まれたデータセットでモデルをファインチューニングします。
• Val モード：トレーニング後のチェックポイントでモデルのパフォーマンスを検証します。
• Predict モード：実世界のデータに対してモデルの予測能力を発揮します。
• Export モード：さまざまな形式でモデルのデプロイを可能にします。
• Track モード：物体検出モデルをリアルタイムのトラッキングアプリケーションに拡張します。
• Benchmark モード：多様なデプロイ環境でモデルの速度と精度を分析します。

この包括的なガイドは、各モードの概要と実践的な洞察を提供し、YOLO26 の可能性を最大限に引き出すのに役立ちます。

Train

Train モードは、カスタムデータセットで YOLO26 モデルをトレーニングするために使用されます。このモードでは、指定されたデータセットとハイパーパラメータを使用してモデルがトレーニングされます。トレーニングプロセスには、画像内のクラスと物体の位置を正確に予測できるようにモデルのパラメータを最適化することが含まれます。トレーニングは、アプリケーションに関連する特定の物体を認識できるモデルを作成するために不可欠です。

Train の例

Val

Val モードは、トレーニング後の YOLO26 モデルを検証するために使用されます。このモードでは、モデルを検証セットで評価し、精度と汎化性能を測定します。検証は過学習のような潜在的な問題を特定するのに役立ち、モデルのパフォーマンスを定量化するためにmean Average Precision (mAP) などのメトリクスを提供します。このモードは、ハイパーパラメータの調整とモデルの全体的な有効性の向上に不可欠です。

Val の例

Predict

Predict モードは、トレーニング済みの YOLO26 モデルを使用して新しい画像や動画で予測を行うために使用されます。このモードでは、チェックポイントファイルからモデルが読み込まれ、ユーザーは画像や動画を提供して推論を実行できます。モデルは入力メディア内の物体を特定および局所化し、実世界のアプリケーションへの対応準備を整えます。Predict モードは、トレーニング済みのモデルを適用して実用的な問題を解決するための入り口です。

Predict の例

Export

Export モードは、YOLO26 モデルをさまざまなプラットフォームやデバイスでのデプロイに適した形式に変換するために使用されます。このモードでは、PyTorch モデルを ONNX、TensorRT、CoreML などの最適化された形式に変換し、本番環境でのデプロイを可能にします。エクスポートは、モデルをさまざまなソフトウェアアプリケーションやハードウェアデバイスと統合するために不可欠であり、多くの場合、大幅なパフォーマンス向上をもたらします。

Export の例

Track

Track モードは、YOLO26 の物体検出機能を拡張し、動画フレームやライブストリーム全体で物体を追跡します。このモードは、監視システムや自動運転車のように、一貫した物体の識別が必要なアプリケーションで特に価値があります。Track モードは ByteTrack のような高度なアルゴリズムを実装しており、物体が一時的に視界から消えた場合でも、フレーム間で物体の同一性を維持します。

Track の例

Benchmark

Benchmark モードは、YOLO26 のさまざまなエクスポート形式の速度と精度をプロファイルします。このモードは、モデルサイズ、精度（検出タスクでは mAP50-95、分類タスクでは accuracy_top5）、および ONNX、OpenVINO、TensorRT といった異なる形式間での推論時間に関する包括的なメトリクスを提供します。ベンチマークは、デプロイ環境における速度と精度の特定の要件に基づいて、最適なエクスポート形式を選択するのに役立ちます。

Benchmark の例

FAQ

Ultralytics YOLO26 を使用してカスタム物体検出モデルをトレーニングするにはどうすればよいですか？

Ultralytics YOLO26 でカスタム物体検出モデルをトレーニングするには、train モードを使用します。画像とそれに対応するアノテーションファイルを含む、YOLO 形式でフォーマットされたデータセットが必要です。以下のコマンドを使用して、トレーニングプロセスを開始します。

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

詳細な手順については、Ultralytics Train ガイドを参照してください。

Ultralytics YOLO26 はモデルのパフォーマンスを検証するためにどのようなメトリクスを使用しますか？

Ultralytics YOLO26 は、検証プロセス中にモデルのパフォーマンスを評価するためにさまざまなメトリクスを使用します。これには以下が含まれます。

• mAP (mean Average Precision): 物体検出の精度を評価します。
• IOU (Intersection over Union): 予測されたバウンディングボックスと正解のバウンディングボックスとの重なりを測定します。
• 精度と再現率: 精度は検出された全正数に対する真の正検出の割合を測定し、再現率は実際の全正数に対する真の正検出の割合を測定します。

以下のコマンドを実行して検証を開始できます。

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

詳細については、検証ガイドを参照してください。

デプロイのために YOLO26 モデルをエクスポートするにはどうすればよいですか？

Ultralytics YOLO26 は、トレーニング済みモデルを ONNX、TensorRT、CoreML などの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ます。以下の例を使用してモデルをエクスポートします。

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

各エクスポート形式の詳細な手順は、エクスポートガイドに記載されています。

Ultralytics YOLO26 における Benchmark モードの目的は何ですか？

Ultralytics YOLO26 の Benchmark モードは、ONNX、TensorRT、OpenVINO などのさまざまなエクスポート形式の速度と精度を分析するために使用されます。モデルサイズ、物体検出のための mAP50-95、およびさまざまなハードウェア設定全体での推論時間といったメトリクスを提供し、デプロイのニーズに最も適した形式を選択するのに役立ちます。

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

詳細については、ベンチマークガイドを参照してください。

Ultralytics YOLO26 を使用してリアルタイムの物体追跡を実行するにはどうすればよいですか？

リアルタイムの物体追跡は、Ultralytics YOLO26 の track モードを使用して実現できます。このモードは物体検出機能を拡張し、動画フレームやライブフィード全体で物体を追跡します。以下の例を使用してトラッキングを有効にします。

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

詳細な手順については、Track ガイドにアクセスしてください。