Ultralytics YOLO26のモード
はじめに#
Ultralytics YOLO26は単なる物体検出モデルではありません。Ultralyticsフレームワークは、トレーニングと検証から推論、エクスポート、トラッキング、ベンチマークまで、機械学習モデルのライフサイクル全体をカバーします。各モードは、そのワークフローで特定の役割を担います。
YOLO27の今後のサポートについては、YOLO27プレビューをご覧ください。YOLO27は近日公開予定で、現在はまだ利用できません。このガイドではリリース済みのYOLO26モデルを使用します。
視聴: Ultralytics のモード解説: Train、Validate、Predict、Export、Benchmark。
モードの概要#
Ultralytics YOLO26は、次のモードをサポートします:
- Trainモード: カスタムまたは組み込みのデータセットでモデルをトレーニングまたはファインチューニングします。
- Valモード: トレーニング後にモデルの性能を検証します。
- Predictモード: 新しい画像、動画、ストリームに対してモデルで推論を実行します。
- Exportモード: モデルのデプロイに適した形式にモデルを変換します。
- Trackモード: 動画フレーム間やライブストリーム上で物体をリアルタイムに追跡します。
- 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。
以下の各セクションでは、それぞれのモードの概要を説明し、詳細ガイドへのリンクを掲載しています。
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します。このモードでは、指定したデータセットとハイパーパラメーターを使用してモデルをトレーニングします。トレーニングでは、画像内のオブジェクトのクラスと位置を正確に予測できるよう、モデルのパラメーターを最適化します。アプリケーションに関連する特定のオブジェクトを認識できるモデルを作成するには、トレーニングが不可欠です。
検証#
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します。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。検証によって過学習などの潜在的な問題を特定し、モデルの性能を定量化する平均適合率(mAP)などの指標を確認できます。検証結果は、ハイパーパラメーターの調整やその他のモデル改善の指針になります。
推論#
Predictモードは、トレーニング済みのYOLO26モデルを使用して、新しい画像や動画の予測を行うために使用します。このモードでは、チェックポイントファイルからモデルを読み込み、ユーザーが画像や動画を指定して推論を実行できます。モデルは入力メディア内のオブジェクトを識別し、その位置を特定します。Predictモードを使用すると、トレーニング済みモデルを実際の課題に適用できます。
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でのデプロイに適した形式へ変換するために使用します。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、本番環境へ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うえで不可欠であり、多くの場合、大幅な性能向上につながります。
トラッキング#
Trackモードは、YOLO26の物体検出機能を拡張し、動画のフレームやライブストリームを通じてオブジェクトを追跡します。このモードは、監視システムや自動運転車など、オブジェクトを継続的に識別する必要があるアプリケーションで特に役立ちます。6種類のトラッカー(TrackTrack(デフォルト)、BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT、FastTracker)が含まれます。
ベンチマーク#
Benchmark mode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、セグメンテーション、ポーズ、OBBではmAP50-95、セマンティックセグメンテーションではmIoU、深度ではδ1、分類ではaccuracy_top1)、およびONNX、OpenVINO、TensorRTなどの各種形式における推論時間を含む包括的な指標を確認できます。ベンチマークを行うことで、デプロイ環境における速度と精度の要件に基づき、最適なエクスポート形式を選択できます。
よくある質問#
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形式のデータセットが必要です。次のコマンドを使用して、トレーニングを開始します。
例from ultralytics import YOLO # 事前トレーニング済みYOLOモデルを読み込みます(n、s、m、l、xの各バージョンを選択できます) model = YOLO("yolo26n.pt") # カスタムデータセットでトレーニングを開始します model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)詳しい手順については、Ultralytics Train Guideをご覧ください。
Ultralytics YOLO26では、モデルの性能を評価するため、検証プロセスでさまざまな指標を使用します。次の指標が含まれます。
- mAP(平均適合率):物体検出の精度を評価します。
- IoU(Intersection over Union、和集合に対する積集合の割合):予測されたバウンディングボックスと正解バウンディングボックスの重なり具合を測定します。
- 適合率と再現率:適合率は真陽性の検出数が検出された陽性の総数に占める割合を測定し、再現率は真陽性の検出数が実際の陽性の総数に占める割合を測定します。
次のコマンドを実行して、検証を開始できます。
例from ultralytics import YOLO # 事前トレーニング済みまたはカスタムのYOLOモデルを読み込みます model = YOLO("yolo26n.pt") # データセットの検証を実行します model.val(data="path/to/validation.yaml")詳しくは、Validation Guideをご覧ください。
Ultralytics YOLO26には、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があります。次の例を使用してモデルをエクスポートします。
例from ultralytics import YOLO # トレーニング済みYOLOモデルを読み込みます model = YOLO("yolo26n.pt") # モデルをONNX形式にエクスポートします(必要に応じて他の形式も指定できます) model.export(format="onnx")各エクスポート形式の詳しい手順は、Export Guideをご覧ください。
Ultralytics YOLO26のBenchmark mode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、さまざまなハードウェア構成での推論時間などの指標を提供し、デプロイのニーズに最適な形式の選択に役立ちます。
例from ultralytics.utils.benchmarks import benchmark # GPU(デバイス0)でベンチマークを実行します # 必要に応じて、モデル、データセット、画像サイズ、精度などのパラメーターを調整できます benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)詳しくは、Benchmark Guideをご覧ください。
Ultralytics YOLO26のtrackモードを使用すると、リアルタイムの物体追跡を実行できます。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内の物体を追跡します。次の例を使用して追跡を有効にします。
例from ultralytics import YOLO # 事前学習済みのYOLOモデルを読み込む model = YOLO("yolo26n.pt") # 動画内の物体の追跡を開始します # ライブ動画ストリームやウェブカメラ入力も使用できます model.track(source="path/to/video.mp4")詳しい手順については、Track Guideをご覧ください。
コメント7
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(編集済み)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(編集済み)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
