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モデルで最初の推論を実行します。どの方法でも、pyproject.tomlに記載された必要な依存関係がすべてインストールされます。
PyTorch>=1.8のPython>=3.8環境に、ultralyticsパッケージをインストールまたは更新します。
pip install -U ultralytics最新の開発バージョンを利用するには、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@mainPyTorchの要件は、オペレーティングシステムとCUDAの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、まずPyTorchのインストール手順に従ってPyTorchをインストールし、その後ultralyticsをインストールしてください。LinuxでAMD GPUを使用する場合は、AMD統合ガイドの説明に従って、ROCm版のPyTorchをインストールしてください。
CLIでUltralyticsを使用する#
yoloコマンドを使って、ターミナルから最初の推論を実行します。
yolo predict model=yolo26n.pt事前学習済みのyolo26n.ptの重みが自動的にダウンロードされ、モデルは同梱されたサンプル画像2枚で実行されます。コマンドを実行すると、注釈付きの結果の保存先が出力されます。初回実行時はruns/detect/predictです。sourceに独自の画像、動画、ディレクトリ、URL、ストリームを指定するか、source=0を使ってウェブカメラを指定します。
yolo predict model=yolo26n.pt source=0 show=Truepredictはモードであり、モデルに何をさせるかを指定します。train、val、predict、export、track、またはbenchmarkを指定できます。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arg=valueのペア（imgsz=640など）だけが必要です。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参照してください。
PythonでUltralyticsを使用する#
Pythonで同じ推論を実行します。
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # 事前学習済みのYOLO26n検出モデルを読み込む
results = model("https://ultralytics.com/images/bus.jpg", save=True) # 推論を実行し、注釈付き画像を保存するresultsはResultsオブジェクトのリストで、画像ごとに1つのオブジェクトが含まれます。タスクに応じて、バウンディングボックス、マスク、キーポイント、またはクラス確率を保持します。Pythonガイドでは、同じYOLOクラスを使用した学習、検証、エクスポート、トラッキングについて説明しています。
視聴: Ultralytics YOLO クイックスタートガイド
Ultralyticsの設定#
データセット、重み、実行結果のディレクトリ、Ultralytics PlatformのAPIキー、実験ロガーの切り替え設定などの永続的な設定は、yolo settingsで管理されるJSONファイルに保存されます。設定の確認、変更、リセットについては、設定ページを参照してください。
次のステップ#
YOLOの実行モードであるモードとYOLO26のモデルサイズを確認し、データセットガイドに従ってデータを整形してから、独自のデータで学習してください。
今後の展開については、YOLO27（近日公開）をご覧ください。YOLO27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。
よくある質問#
次のコマンドでpipを使って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、次のコマンドを実行します。pip install git+https://github.com/ultralytics/ultralytics.gitGit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。
はい、PythonとUltralytics YOLOを指定して1つのコマンドでconda環境を作成し、その後で有効化できます。
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envこの方法はpipに代わる優れた選択肢で、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、同じコマンドに
pytorch-gpuメタパッケージを追加すると、condaがCUDA対応のPyTorchビルドを選択します。conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-env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し、システム間でスムーズに動作させるとともに、ローカルインストールの複雑さを回避できます。GPU、CPU、ARM64、NVIDIA Jetson、Conda向けのバリエーションを含む公式DockerイメージをDocker Hubで利用できます。最新のイメージを取得して実行するには、次のコマンドを実行します。
# 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:latestLinux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。Dockerの詳しい手順については、Dockerクイックスタートガイド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っ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、開発環境のインストールを参照してください。
Ultralytics YOLO CLIを使うと、Pythonコードを使わずに物体検出タスクを簡単に実行できます。ターミナルから学習、検証、推論を1行のコマンドで直接実行できます。基本構文は次のとおりです。
yolo TASK MODE ARGSたとえば、検出モデルを学習するには、次のようにします。
yolo train data=coco8.yaml model=yolo26n.pt epochs=10その他のコマンドや使用例については、CLIガイド全文をご覧ください。