Ultralytics YOLO26 モード#
はじめに#
Ultralytics YOLO26は単なる物体検出モデルではなく、データの取り込みやモデルのトレーニングから検証、デプロイ、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用途なフレームワークです。各モードは特定の目的を果たし、さまざまなタスクやユースケースに必要な柔軟性と効率性を提供するように設計されています。
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
モードの概要#
Ultralytics YOLO26 がサポートするさまざまな 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読み込みされたデータセットを使用してモデルを微調整します。
- Val モード：トレーニング後のチェックポイントを使用して、モデルのパフォーマンスを検証します。
- Predict モード：実データに対してモデルの予測能力を発揮させます。
- Export モード：モデルのデプロイに向けて、さまざまなフォーマットで準備を整えます。
- 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におけるモデルの速度と精度を分析します。
この包括的なガイドでは、各モードの概要と実践的な洞察を提供し、YOLO26 の潜在能力を最大限に引き出すお手伝いをします。
学習#
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、画像内のクラスや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。
Val#
Valモードは、トレーニング済みの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て、その精度と汎化性能を測定します。検証は、過学習などの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数値化するための平均適合率（mAP）などの指標を提供します。このモードは、ハイパーパラメータの調整やモデル全体の有効性の向上に不可欠です。
予測#
Predict モードは、トレーニング済みの YOLO26 モデルを使用して、新しい画像やビデオの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、ユーザーは画像やビデオを入力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識別および位置特定し、実環境のアプリケーションで使用できる状態にします。Predict モードは、トレーニング済みモデルを適用して実践的な問題を解決するための入り口です。
エクスポート#
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へ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、パフォーマンスが大幅に向上します。
Track#
Trackモードは、YOLO26の物体検出機能を拡張し、ビデオ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など、永続的な物体識別を必要とするアプリケーションで特に価値があります。Track modeは、BoT-SORT（デフォルト）やByteTrackなどの高度なトラッカーを実装しており、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。
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リングします。このモードでは、モデルサイズ、精度（検出タスクの場合はmAP50-95、分類の場合はaccuracy_top1）、およびONNX、OpenVINO、TensorRTなどのさまざまな形式での推移時間に関する包括的な指標を提供します。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。
よくある質問 (FAQ)#
Ultralytics YOLO26を使用してカスタムの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。トレーニングプロセスを開始するには、次のコマンドを使用します。
例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)より詳細な手順については、Ultralytics Train Guideをご参照ください。
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指標を使用します。これらには以下が含まれます。
- mAP (平均適合率): 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間の重なりを測定します。
- Precision（適合率）と Recall（再現率）: 適合率は検出された陽性のうち真の陽性が占める割合を測定し、再現率は実際の陽性のうち真の陽性が検出された割合を測定します。
以下のコマンドを実行して検証を開始できます。
例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、Validation Guideをご参照ください。
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。モデルをエクスポートするには、次の例を使用してください。
例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については、Export Guideをご覧ください。
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、物体検出用の
mAP50-95、さまざまなハードウェア構成での推移時間などの指標を提供し、デプロイニーズに最も適した形式を選択するのに役立ちます。例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, device=0)詳細については、Benchmark Guideをご参照ください。
リアルタイム物体トラッキングは、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、ビデオフレームやライブフィード全体で物体を追跡します。トラッキングを有効にするには、次の例を使用してください。
例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 Guideをご覧ください。