Ultralytics YOLO27:

Ultralyticsをインストール#

ultralyticsパッケージを pip、conda、Docker、またはソースからインストールし、事前トレーニング済みのYOLO26モデルを使用して最初の予測を実行します。どの方法でも、pyproject.tomlに記載されている必要な依存関係がすべてインストールされます。

インストール

Python>=3.8環境でPyTorch>=1.8を使用してultralyticsパッケージをインストールまたはアップデートします。

pip install -U ultralytics

最新の開発バージョンについては、Ultralytics GitHubリポジトリから直接インストールします。

pip install git+https://github.com/ultralytics/ultralytics.git@main
ヒント

PyTorchの要件はオペレーティングシステムやCUDAバージョンによって異なります。特定のビルドを使用するには、PyTorchインストール手順に従ってPyTorchを最初にインストールし、その後にultralyticsをインストールします。

CLIでUltralyticsを使用する#

ターミナルからyoloコマンドを使用して、最初の予測を実行します。

yolo predict model=yolo26n.pt

事前トレーニング済みのyolo26n.ptウェイトが自動的にダウンロードされ、モデルが2つの同梱サンプル画像で実行され、初回実行時には注釈付き結果の保存先（runs/detect/predict）が出力されます。独自の画像、動画、ディレクトリ、URL、ストリーム、またはsource=0を使用したWebカメラにsourceを指定します。

yolo predict model=yolo26n.pt source=0 show=True

predictはモデルの処理方法であるモードであり、train、val、predict、export、track、またはbenchmarkを指定します。タスク（detect、segment、semantic、depth、classify、pose、またはobb）はモデルファイルから読み取られるため、yolo TASK MODE ARGS構文では通常、モードとimgsz=640などのarg=valueペアのみが必要となります。すべてのモードについてはCLIガイドを、すべての引数については設定ページをご覧ください。

PythonでUltralyticsを使用する#

Pythonでの同じ予測:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

resultsはResultsオブジェクトのリストであり、画像ごとに1つずつあり、タスクに応じてボックス、マスク、キーポイント、またはクラス確率を持ちます。Pythonガイドでは、同じYOLOクラスを使用したトレーニング、検証、エクスポート、トラッキングについて解説しています。



Watch: Ultralytics YOLO Quick Start Guide

Ultralyticsの設定#

データセット、ウェイト、実行ディレクトリなどの永続設定、Ultralytics PlatformのAPIキー、および実験ロガーの切り替えは、yolo settingsで管理されるJSONファイルに保存されます。表示、変更、リセットを行うには設定ページをご覧ください。

次のステップ#

YOLOの実行モードとYOLO26のモデルサイズを確認し、データセットガイドでデータを整形した上で独自のデータでトレーニングを実行します。

今後の展望として、YOLO27 (Coming Soon)をご覧ください。そのモデルはまだ利用できません。上記の例では、リリース済みのYOLO26ファミリーを使用しています。

FAQ#

  • 次のコマンドでpipを使用してUltralyticsをインストールします:

    pip install -U ultralytics

    これにより、PyPIからultralyticsパッケージの最新安定版がインストールされます。開発版をGitHubから直接インストールするには:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Gitコマンドラインツールがシステムにインストールされていることを確認してください。

  • 次のコマンドでcondaを使用してUltralytics YOLOをインストールできます:

    conda install -c conda-forge ultralytics

    この方法はpipの優れた代替手段であり、他のパッケージとの互換性を確保できます。CUDA環境の場合は、condaがCUDA対応のPyTorchビルドを選択できるように、ultralyticsをpytorch-gpuメタパッケージとともにインストールしてください。

    conda install -c conda-forge ultralytics pytorch-gpu

    詳しい手順については、Condaクイックスタートガイドを参照してください。

  • DockerはUltralytics YOLO向けに分離された一貫性のある環境を提供するため、システム間で安定したパフォーマンスを確保し、ローカルインストールの複雑さを回避できます。公式のDockerイメージはDocker Hubで利用でき、GPU、CPU、ARM64、NVIDIA Jetson、Conda向けのバリエーションが用意されています。最新のイメージを取得して実行するには:

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    Linuxでは、CDIデバイスリクエストにDocker >= 28.2.0およびNVIDIA Container Toolkit >= 1.18が必要です。詳細なDockerの手順については、Docker quickstart guideを参照してください。

  • 次のコマンドでUltralyticsリポジトリをクローンし、開発環境をセットアップします:

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    これにより、プロジェクトへの貢献や最新のソースコードを使用した実験が可能になります。フォークやカスタムブランチの固定については、開発インストールをご覧ください。

  • Ultralytics YOLO CLIを使用すると、Pythonコードを記述せずに物体検出タスクを簡単に実行できます。ターミナルからトレーニング、検証、推論を1行のコマンドで実行できます。基本的な構文は次のとおりです:

    yolo TASK MODE ARGS

    たとえば、検出モデルをトレーニングするには:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    詳細なCLIガイドで、その他のコマンドや使用例をご確認ください。

貢献者
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

コメント