コンテンツへスキップ

インストールUltralytics

Ultralytics 、pip、conda、Dockerなど様々なインストール方法を提供している。YOLO ultralytics 最新の安定版リリースの pip パッケージ、または Ultralytics GitHubリポジトリ で最新版を入手できる。Dockerは、パッケージを隔離されたコンテナで実行するオプションでもあり、ローカルでのインストールを避けることができる。



見るんだ： Ultralytics YOLO クイックスタートガイド

インストール

PyPI -Python バージョン

をインストールまたは更新します。 ultralytics を実行して pip を使用する。 pip install -U ultralytics.の詳細については ultralytics パッケージをご覧ください。 Python パッケージインデックス (PyPI).

PyPI - バージョン ダウンロード

# Install the ultralytics package from PyPI
pip install ultralytics

をインストールすることもできます。 ultralytics から直接 Ultralytics GitHubリポジトリ.これは最新の開発版が欲しい場合に便利です。Gitコマンドラインツールがインストールされていることを確認してから、実行してください：

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Condaはpipの代替パッケージ・マネージャーとして使用できる。詳細はAnacondaを参照。condaパッケージを更新するためのUltralytics フィードストックリポジトリはGitHubで利用可能です。

コンダバージョン ダウンロード コンダのレシピ コンダ・プラットフォーム

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

注

CUDA 環境にインストールする場合は、次のようにインストールするのがベストプラクティスです。 ultralytics, pytorchそして pytorch-cuda を同じコマンドで実行する。これにより、condaパッケージマネージャーが競合を解決することができる。あるいは pytorch-cuda CPU pytorch パッケージが必要である。 

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Dockerイメージ

Ultralytics Conda Dockerイメージは以下からも入手可能です。 ドッカーハブ.これらの画像は ミニコンダ3 を使い始める簡単な方法を提供する。 ultralytics Conda環境で。

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

をクローンする。 Ultralytics GitHubリポジトリ もしあなたが開発に貢献することに興味があったり、最新のソースコードで実験したいのであれば。クローン後、ディレクトリに移動し、編集可能モードでパッケージをインストールしてください。 -e pipを使って。

GitHub最終コミット GitHubのコミット活動

# 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 .

Dockerを使って ultralytics パッケージを隔離されたコンテナで使用することで、さまざまな環境で一貫したパフォーマンスを保証します。公式の ultralytics からの画像 ドッカー・ハブUltralyticsのDockerイメージは、ローカルインストールの複雑さを回避し、検証済みの作業環境にアクセスすることができます。Ultralytics 主に5つのDockerイメージをサポートしており、それぞれが高い互換性と効率性を目指して設計されています：

Dockerイメージのバージョン ドッカー・プル

  • Dockerfile: GPU トレーニング用に推奨されるイメージ。
  • Dockerfile-arm64：ARM64 アーキテクチャに最適化されており、Raspberry Pi などの ARM64 ベースのプラットフォームへのデプロイに適しています。
  • cpu:UbuntuベースのCPUバージョンで、推論やGPUのない環境に適しています。
  • Dockerfile-jetson： NVIDIA Jetsonデバイス用に調整され、これらのプラットフォームに最適化されたGPU サポートを統合しています。
  • Dockerfile-python ： Python と必要な依存関係だけの最小限のイメージで、軽量なアプリケーションや開発に最適です。
  • Dockerfile-conda： Miniconda3をベースにcondaをインストールした。 ultralytics パッケージで提供される。

以下は、最新のイメージを入手して実行するためのコマンドである：

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

上記のコマンドは、Dockerコンテナを最新の ultralytics イメージその -it フラグは擬似TTYを割り当て、標準入力をオープンにしてコンテナとのやり取りを可能にする。コンテナの --ipc=host フラグは、IPC（プロセス間通信）名前空間をホストに設定する。これは、プロセス間でメモリーを共有するために不可欠である。これはプロセス間でメモリーを共有するために不可欠である。 --gpus all フラグは、コンテナ内で利用可能なすべてのGPUへのアクセスを可能にし、GPU 計算を必要とするタスクにとって非常に重要です。

注：コンテナ内でローカルマシンのファイルを操作するには、Dockerボリュームを使用してローカルディレクトリをコンテナにマウントする：

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

交換 /path/on/host をローカルマシンのディレクトリパスで指定し /path/in/container をDockerコンテナ内の希望のパスに置き換える。

高度なDockerの使い方については、Ultralytics Docker Guideをご覧ください。

参照 ultralytics pyproject.toml ファイルを参照のこと。上記のすべての例は、必要な依存関係をすべてインストールすることに注意してください。

チップ

PyTorchPyTorch 要件はオペレーティングシステムやCUDA 要件によって異なるので、まず以下の手順に従ってインストールしてください。 PyTorch.

PyTorch インストレーション・インストラクション

Ultralytics 。CLI

Ultralytics コマンドラインインターフェイスCLI）では、Python 環境を必要とせず、シンプルな1行コマンドを実行できます。CLI カスタマイズやPython コードを必要としません。 yolo コマンドを使用します。コマンドラインからのYOLO 使い方については CLI ガイド.

例

Ultralytics yolo コマンドは以下の構文を使う： 

yolo TASK MODE ARGS
- TASK (オプション) は (見つける, セグメント, 分類する, ポーズ, オッブ) - MODE (必須) は (電車, 値, 予測, 輸出, トラック, ベンチマーク) - ARGS (オプション）は arg=value のようなペア。 imgsz=640 デフォルトを上書きする。

すべて見る ARGS 完全な 設定ガイド または yolo cfg CLI コマンドを使用する。

検出モデルを初期学習率0.01で10エポック学習させる： 

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

事前に学習させたセグメンテーションモデルを使って、画像サイズ320のYouTube動画を予測する： 

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

バッチサイズ1、画像サイズ640で事前学習した検出モデルを検証する： 

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

YOLOv11n分類モデルを、画像サイズ224x128のONNX フォーマットにエクスポートする（TASKは不要）： 

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

YOLO11使用して、ビデオまたはライブストリーム内のオブジェクトをカウントします： 

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

YOLO11 ポーズモデルを使ってワークアウト・エクササイズをモニター： 

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

YOLO11 使用して、指定されたキューまたはリージョン内のオブジェクトをカウントする： 

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Streamlitを使って、ウェブブラウザ上でオブジェクト検出、インスタンス分割、姿勢推定を行う： 

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

特別なコマンドを実行して、バージョンの確認、設定の表示、チェックの実行などを行う： 

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help

警告

引数は arg=value ペア、イコールで分割 = 記号とスペースで区切られる。を使用しないでください。 -- 引数の接頭辞またはコンマ , 引数間の

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25 ✅
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25 ❌ （行方不明 =)
  • yolo predict model=yolo11n.pt, imgsz=640, conf=0.25 ❌ （使わないこと ,)
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ （使わないこと --)
  • yolo solution model=yolo11n.pt imgsz=640 conf=0.25 ❌ （使用する solutionsではない。 solution)

CLI ガイド

Ultralytics 。Python

Ultralytics YOLO Python インターフェースは、Python プロジェクトへのシームレスな統合を提供し、モデル出力のロード、実行、処理を容易にします。シンプルに設計されたPython インターフェースは、オブジェクト検出、セグメンテーション、分類を素早く実装することができます。このため、YOLO Python インターフェースは、これらの機能をPython プロジェクトに組み込むための貴重なツールとなります。

例えば、わずか数行のコードで、モデルをロードし、トレーニングし、パフォーマンスを評価し、ONNX フォーマットにエクスポートすることができます。Python プロジェクトでのYOLO 使用については、Python ガイドを参照してください。

例

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Python ガイド

Ultralytics 設定

Ultralytics ライブラリには SettingsManager 実験に対するきめ細かなコントロールのために、ユーザーは簡単に設定にアクセスし、変更することができます。これらの設定は、環境のユーザー設定ディレクトリ内のJSONファイルに保存され、Python 環境またはコマンドラインインターフェースCLI）を介して表示または変更することができます。

設定の検査

現在の設定を表示するには

設定を見る

Python 設定を表示するには、次のようにインポートします。 settings オブジェクトから ultralytics モジュールを使用します。これらのコマンドで設定を印刷し、戻す： 

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

コマンドラインインターフェイスでは、設定を確認することができます： 

yolo settings

設定の変更

Ultralytics 、以下の方法で簡単に設定を変更することができます：

設定の更新

Python update メソッドを settings オブジェクトがある： 

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

コマンドラインインターフェースを使用して設定を変更するには 

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset

設定を理解する

下の表は、Ultralytics調整可能な設定の概要で、値の例、データ型、説明を含みます。

名称 値の例 データタイプ 説明
settings_version '0.0.4' str Ultralytics 設定バージョン（Ultralytics pipバージョンとは異なります。）
datasets_dir '/path/to/datasets' str データセットが保存されているディレクトリ
weights_dir '/path/to/weights' str モデルの重みが保存されているディレクトリ
runs_dir '/path/to/runs' str 実験の実行が保存されるディレクトリ
uuid 'a1b2c3d4' str 現在の設定の一意な識別子
sync True bool 分析とクラッシュをUltralytics HUBに同期するオプション
api_key '' str Ultralytics HUBAPIキー
clearml True bool 使用オプション ClearMLロギング
comet True bool 実験のトラッキングと可視化にComet MLを使用するオプション
dvc True bool 実験追跡とバージョン管理にDVCを使用するオプション
hub True bool Ultralytics HUBインテグレーションを使用するオプション
mlflow True bool 実験のトラッキングにMLFlowを使用するオプション
neptune True bool 使用オプション Neptune実験追跡用
raytune True bool ハイパーパラメータのチューニングに Ray Tuneを使用するオプション
tensorboard True bool 可視化にTensorBoardを使用するオプション
wandb True bool 使用オプション Weights & Biasesロギング
vscode_msg True bool VS Codeターミナルが検出されると、Ultralytics拡張機能をダウンロードするプロンプトが表示されます。

プロジェクトや実験が進むにつれて、これらの設定を再確認し、最適なコンフィギュレーションを確保する。

よくあるご質問

pip を使ってUltralytics をインストールするには？

Ultralytics pipでインストールする：

pip install ultralytics

これは ultralytics パッケージ パイパイ.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する。

conda を使ってUltralytics YOLO をインストールできますか？

はい、Ultralytics YOLO condaを使ってインストールします：

conda install -c conda-forge ultralytics

この方法はpipに代わる優れた方法であり、他のパッケージとの互換性を保証する。CUDA 環境では ultralytics, pytorchそして pytorch-cuda 対立を解決するために協力する：

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

詳しい説明は、Condaクイックスタートガイドを参照。

Ultralytics YOLO を実行するためにDockerを使用する利点は何ですか？

Dockerは、Ultralytics YOLOための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なパフォーマンスを保証し、ローカルインストールの複雑さを回避します。公式DockerイメージはDocker Hubで入手可能で、GPU、CPU、ARM64、NVIDIA Jetson、Conda用のバリエーションがあります。最新のイメージをプルして実行するには

# 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 --gpus all ultralytics/ultralytics:latest

Dockerの詳細な手順については、Dockerクイックスタートガイドを参照してください。

開発用にUltralytics リポジトリをクローンするには？

Ultralytics リポジトリをクローンし、開発環境をセットアップする：

# 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での実験が可能になる。詳細については、Ultralytics GitHubリポジトリをご覧ください。

なぜUltralytics YOLO CLI を使うべきなのか？

Ultralytics YOLO CLI 、Python コードなしでオブジェクト検出タスクを実行することを簡素化し、ターミナルから直接トレーニング、検証、予測のための単一行コマンドを可能にします。基本的な構文は以下の通りです：

yolo TASK MODE ARGS

例えば、検出モデルを訓練する：

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

その他のコマンドや使用例は、CLI ガイドを参照してください。

📅作成：1年前 ✏️更新：1日前
リズワン・ムナワール グレン・ヨッハー ペルダーレンガー jk4e マシューノイス ウルトラリティクス・アシスタント ブルハンQ 笑q アユシュエクセル

コメント