Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLO26 モード#

Ultralytics YOLO ecosystem and integrations

Link to this sectionはじめに#

Ultralytics YOLO26 は単なる物体検出モデルではありません。データ取り込み、モデルトレーニング、検証、デプロイ、そして実環境でのトラッキングに至るまで、機械学習モデルの全ライフサイクルをカバーするように設計された汎用性の高い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、多様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構築されています。



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

Link to this section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：さまざまな形式でモデルデプロイができる状態にします。
  • 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。

Link to this sectionTrain#

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。

Train の例

Link to this sectionVal#

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、検証セットでモデルを評価し、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と全体的なモデルの有効性向上に重要です。

Val の例

Link to this sectionPredict#

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。

Predict の例

Link to this sectionExport#

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。

Export の例

Link to this sectionTrack#

トラックモードは、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、継続的な物体識別が必要なアプリケーションにおいて特に有用です。トラックモードは、BoT-SORT（デフォルト）やByteTrackといった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。

Track の例

Link to this sectionBenchmark#

Benchmark モードは、YOLO26 用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、分類では accuracy_top1）、および ONNX、OpenVINO、TensorRT などのさまざまな形式にわたる推論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、デプロイ環境での速度と精度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

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLO26 で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。

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)

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

Link to this sectionUltralytics 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指標を使用しますか？#

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。
  • 適合率と再現率: 適合率は検出された全陽性のうち真陽性の割合を測定し、再現率は実際の全陽性のうち真陽性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。

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、検証ガイドを参照してください。

Link to this sectionデプロイ用に 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。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は、エクスポートガイドに記載されています。

Link to this sectionUltralytics 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 mAP50-95、およびさまざまなハードウェアセットアップにわたる推論時間などの指標を提供し、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。

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, 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。

Link to this sectionUltralytics YOLO26 を使用してリアルタイム物体トラッキングを実行するにはどうすればよいですか？#

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 ガイドにアクセスしてください。

貢献者
GLglenn-jocher15ONonuralpszr1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

コメント