Ultralyticsのインストール
Ultralytics では、pip、conda、Docker など、さまざまなインストール方法を提供しています。YOLO は以下からインストールできます。 ultralytics
最新の安定版リリース用のpipパッケージ、またはクローン作成によるインストール Ultralytics GitHubリポジトリ 最新バージョンを入手するため。Dockerは、ローカルインストールを回避するために、分離されたコンテナでパッケージを実行するためのオプションでもあります。
見る: Ultralytics YOLOクイックスタートガイド
インストール
以下をインストールまたはアップデートします。 ultralytics
パッケージをpipを使用してインストールするには、以下を実行します pip install -U ultralytics
詳細については、 ultralytics
パッケージについては、 Python Package Index (PyPI).
# Install the ultralytics package from PyPI
pip install ultralytics
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、最新の開発バージョンが必要な場合に役立ちます。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、以下を実行してください。
# 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ます。詳細については、Anacondaをご覧ください。condaパッケージを更新するためのUltralyticsのfeedstockリポジトリは、GitHubで入手できます。
# 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、 ultralytics
, pytorch
、および pytorch-cuda
同じコマンドで実行します。これにより、condaパッケージマネージャーは競合を解決できます。または、以下をインストールします。 pytorch-cuda
CPU固有をオーバーライドするのは最後 pytorch
必要に応じてパッケージをインストールします。
# 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。 DockerHub。これらのイメージは以下に基づいています: Miniconda3 そして、使用を開始するための簡単な方法を提供します。 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
クローンを作成 Ultralytics GitHubリポジトリ 開発に貢献したい場合、または最新のソースコードを試したい場合は、クローンを作成した後、ディレクトリに移動し、編集可能なモードでパッケージをインストールしてください。 -e
pipを使用。
# 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を使用して実行します ultralytics
パッケージを分離されたコンテナ内で実行し、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。公式のいずれかを選択することにより ultralytics
からの画像 Docker Hubを使用すると、ローカルインストールの複雑さを回避し、検証済みの動作環境にアクセスできます。Ultralyticsは、高い互換性と効率性を実現するために設計された、主にサポートされている5つのDockerイメージを提供しています。
- Dockerfile: トレーニングに推奨されるGPUイメージ。
- Dockerfile-arm64: ARM64アーキテクチャ向けに最適化されており、Raspberry Piやその他のARM64ベースのプラットフォームでの展開に適しています。
- Dockerfile-cpu: UbuntuベースのCPU専用バージョンで、推論やGPUのない環境に適しています。
- Dockerfile-jetson: NVIDIA Jetsonデバイス向けに調整されており、これらのプラットフォーム向けに最適化されたGPUサポートを統合しています。
- Dockerfile-python: pythonと必要な依存関係のみを含む最小限のイメージで、軽量アプリケーションや開発に最適です。
- Dockerfile-conda: Miniconda3をベースとし、condaでインストールされた
ultralytics
パッケージを参照してください。
最新のイメージを取得して実行するためのコマンドを以下に示します。
# 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、最新のDockerコンテナを初期化します。 ultralytics
画像。の -it
これらのフラグは、疑似 TTY を割り当て、stdin を開いたままにして、コンテナとのインタラクションを可能にします。 --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します。これは、プロセス間でのメモリ共有に不可欠です。 --gpus all
このフラグを使用すると、コンテナ内のすべての利用可能な GPU にアクセスできるようになり、GPU 計算を必要とするタスクに不可欠です。
注: コンテナ内のローカルマシン上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します。
# 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
置換 /path/on/host
ローカルマシン上のディレクトリパスを指定して、 /path/in/container
Dockerコンテナ内の目的のパスを指定します。
Docker の高度な使用法については、Ultralytics Docker Guideをご覧ください。
以下を ultralytics
pyproject.toml 依存関係のリストについては、fileを参照してください。上記の例では、必要な依存関係がすべてインストールされることに注意してください。
カスタムインストール方法
標準的なインストール方法でほとんどのユースケースに対応できますが、より調整されたセットアップが必要になる場合があります。これには、特定のパッケージバージョンのインストール、オプションの依存関係の省略、またはパッケージの置換(例: opencv-python
GUIレスで opencv-python-headless
サーバー環境向け。
カスタム方法
以下をインストールできます。 ultralytics
pipの依存関係なしでコアパッケージ --no-deps
フラグ。これを使用するには、必要な依存関係をすべて手動でインストールする必要があります。
-
インストール
ultralytics
コア:pip install ultralytics --no-deps
-
依存関係を手動でインストール: 以下のリストにある必要なパッケージをすべてインストールする必要があります。
pyproject.toml
ファイルで、必要に応じてバージョンを置き換えたり、変更したりします。ヘッドレスOpenCVの例:# Install other core dependencies pip install torch torchvision numpy matplotlib polars pyyaml pillow psutil requests scipy seaborn ultralytics-thop # Install headless OpenCV instead of the default pip install opencv-python-headless
依存関係の管理
この方法は完全な制御を可能にしますが、依存関係の慎重な管理が必要です。必要なすべてのパッケージが互換性のあるバージョンでインストールされていることを確認するには、以下を参照してください。 ultralytics
pyproject.toml
file。
永続的なカスタム変更が必要な場合(常に使用するなど opencv-python-headless
)。Ultralytics リポジトリをフォークして変更を加えることができます。 pyproject.toml
または他のコードを記述し、フォークからインストールします。
- フォーク:ご自身のGitHubアカウントにUltralytics GitHubリポジトリをフォークしてください。
- クローン ローカルフォーク:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics
- 新しいブランチを作成 変更点:
git checkout -b custom-opencv
- 変更
pyproject.toml
: 開くpyproject.toml
テキストエディタで、次の行を置き換えます。"opencv-python>=4.6.0"
with"opencv-python-headless>=4.6.0"
(必要に応じてバージョンを調整してください)。 - コミットとプッシュ 変更点:
git add pyproject.toml git commit -m "Switch to opencv-python-headless" git push origin custom-opencv
- インストール pipを
git+https
ブランチを指す構文:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
この方法により、この特定のURLからインストールするたびに、カスタム依存関係セットが使用されるようになります。これを使用する方法については、方法4を参照してください。 requirements.txt
file。
開発における標準的な「Git Clone」と同様に、リポジトリをローカルにクローンし、インストール前に依存関係ファイルを変更してから、編集可能モードでインストールできます。
- クローン Ultralytics リポジトリ:
git clone https://github.com/ultralytics/ultralytics cd ultralytics
- 変更
pyproject.toml
: ファイルを編集して、必要な変更を加えます。たとえば、次のように使用します。sed
(Linux/macOSの場合)またはテキストエディタで置換します。opencv-python
withopencv-python-headless
. 使用sed
(正確な行を確認してください)pyproject.toml
最初):または手動で編集# Example: Replace the line starting with "opencv-python..." # Adapt the pattern carefully based on the current file content sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
pyproject.toml
変更するには"opencv-python>=...
宛先"opencv-python-headless>=..."
. - インストール 編集可能なモードのパッケージ(
-e
)。Pip は変更されたものを使用します。pyproject.toml
依存関係を解決してインストールするには:pip install -e .
このアプローチは、依存関係またはビルド構成に対するローカルな変更をコミットする前にテストしたり、特定の開発環境をセットアップしたりする場合に役立ちます。
プロジェクトの依存関係を管理するために requirements.txt
ファイル内で、カスタムのUltralyticsフォークを直接指定できます。これにより、プロジェクトをセットアップするすべての人が、変更された依存関係( opencv-python-headless
)。
- 作成または編集
requirements.txt
: (方法 2 で準備したように) カスタムフォークとブランチを指す行を追加します。requirements.txt注:カスタムで既に必要な依存関係をリストする必要はありません# Core dependencies numpy matplotlib polars pyyaml Pillow psutil requests>=2.23.0 torch>=1.8.0 # Or specific version/variant torchvision>=0.9.0 # Or specific version/variant # Install ultralytics from a specific git commit or branch # Replace YOUR_USERNAME and custom-branch with your details git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch # Other project dependencies flask # ... etc
ultralytics
フォーク(次のようにopencv-python-headless
) は、フォークに基づいて pip がインストールするため、ここでは必要ありません。pyproject.toml
. - インストール ファイルからの依存関係:
pip install -r requirements.txt
この方法は、標準のPythonプロジェクトの依存関係管理ワークフローとシームレスに統合され、同時にピン留めを可能にします。 ultralytics
カスタマイズされたGitソースに対して。
UltralyticsをCLIで使用する
Ultralyticsのコマンドラインインターフェース(CLI)を使用すると、python環境を必要とせずに、シンプルな1行コマンドを実行できます。CLIはカスタマイズやpythonコードを必要としません。ターミナルからすべてのタスクを実行できます。 yolo
コマンドを使用します。コマンドラインからのYOLOの使用に関する詳細は、以下を参照してください。 CLIガイド.
例
Ultralytics yolo
コマンドは次の構文を使用します。
yolo TASK MODE ARGS
TASK
(オプション)は次のいずれかです(検出, セグメント, 分類, ポーズ, obb)
- MODE
(必須)は次のいずれかです(学習, val, 予測, エクスポート, 追跡, ベンチマーク)
- ARGS
(オプション)は arg=value
のようなペア imgsz=640
デフォルトをオーバーライドします。
すべて表示 ARGS
完全に 構成ガイド または、以下を使用: yolo cfg
CLIコマンド。
初期学習率を0.01として、10エポックの検出モデルを学習させます:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
画像サイズ320で、学習済みのセグメンテーションモデルを使用してYouTubeビデオを予測します:
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、事前トレーニング済みの検出モデルを検証します。
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でONNX形式にエクスポートします(TASKは不要):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
YOLO11を使用して、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:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
YOLO11ポーズモデルを使用してワークアウトエクササイズをモニタリングします:
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
指定されたキューまたは領域内のオブジェクトをカウントするには、YOLO11を使用します。
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を使用して、Webブラウザでオブジェクト検出、インスタンスセグメンテーション、または姿勢推定を実行します。
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package
バージョン確認、設定表示、チェック実行などの特殊コマンドを実行:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help
警告
引数はとして渡す必要があります arg=value
ペア(イコール記号で区切られた) =
記号とスペースで区切ります。使用しないでください --
引数のプレフィックスまたはカンマ ,
引数間。
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
❌ (使用しない),
)yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌ (使用しない)--
)yolo solution model=yolo11n.pt imgsz=640 conf=0.25
❌ (usesolutions
ではなく、solution
)
UltralyticsをPythonで使用する
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、モデルのロード、実行、および出力処理を容易にします。シンプルさを追求して設計されたpythonインターフェースにより、ユーザーは物体検出、セグメンテーション、および分類を迅速に実装できます。これにより、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非常に貴重なツールとなります。
たとえば、ユーザーはモデルをロードし、トレーニングし、パフォーマンスを評価し、わずか数行のコードでONNX形式にエクスポートできます。 Pythonガイドを参照して、pythonプロジェクト内でYOLOを使用する方法の詳細をご覧ください。
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")
Ultralyticsの設定
Ultralyticsライブラリには以下が含まれています。 SettingsManager
実験をきめ細かく制御し、ユーザーが設定に簡単にアクセスして変更できるようにします。これらの設定は、環境のユーザー構成ディレクトリ内の 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イス (CLI) で表示または変更できます。
設定の確認
設定の現在の構成を表示するには:
表示設定
pythonを使用して設定を表示するには、以下をインポートします。 settings
オブジェクトを ultralytics
モジュール。これらのコマンドで設定を出力して返します:
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ースを使用すると、次のコマンドで設定を確認できます。
yolo settings
設定の変更
Ultralytics では、次の方法で設定を簡単に変更できます。
設定の更新
python では、以下を使用します。 update
のメソッド settings
オブジェクト:
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
設定について
以下の表は、Ultralytics内の調整可能な設定の概要を示しており、例となる値、データ型、および説明が含まれています。
名前 | 値の例 | データ型 | 説明 |
---|---|---|---|
settings_version |
'0.0.4' |
str |
Ultralytics settings 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 |
実験実行が保存されているディレクトリ |
uuid |
'a1b2c3d4' |
str |
現在の設定の一意の識別子 |
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 HUB APIキー |
clearml |
True |
bool |
ClearMLロギングを使用するオプション |
comet |
True |
bool |
実験の追跡と可視化にComet MLを使用するオプション |
dvc |
True |
bool |
実験の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統合を使用するオプション |
mlflow |
True |
bool |
実験の追跡にMLFlowを使用するオプション |
neptune |
True |
bool |
実験の追跡にNeptuneを使用するオプション |
raytune |
True |
bool |
ハイパーパラメータ調整に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 |
Weights & Biasesロギングを使用するオプション |
vscode_msg |
True |
bool |
VS Codeターミナルが検出されると、Ultralytics-Snippets拡張機能をダウンロードするためのプロンプトが表示されます。 |
最適な構成を確保するために、プロジェクトや実験の進捗に合わせてこれらの設定を再検討してください。
よくある質問
pipを使用してUltralyticsをインストールするにはどうすればよいですか?
pip を使用して Ultralytics をインストール:
pip install ultralytics
これにより、最新の安定版がインストールされます。 ultralytics
パッケージ PyPI。開発バージョンをGitHubから直接インストールするには、以下を実行します。
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。
condaを使用してUltralytics YOLOをインストールできますか?
はい、condaを使用してUltralytics YOLOをインストールするには、次のコマンドを実行します。
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します。CUDA 環境の場合は、以下をインストールしてください。 ultralytics
, pytorch
、および pytorch-cuda
を組み合わせて競合を解決します:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
詳細な手順については、Conda クイックスタートガイドをご覧ください。
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に分離された一貫性のある環境を提供し、システム全体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で入手でき、GPU、CPU、ARM64、NVIDIA Jetson、Condaのバリアントがあります。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。
開発のためにUltralyticsリポジトリをクローンするにはどうすればよいですか?
Ultralytics リポジトリをクローンし、次の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。詳細については、Ultralytics GitHubリポジトリをご覧ください。
Ultralytics YOLO CLIを使用する理由は何ですか?
Ultralytics YOLO CLIを使用すると、pythonコードなしでオブジェクト検出タスクを簡単に実行でき、ターミナルから直接、トレーニング、検証、および予測のための1行コマンドを実行できます。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=yolo11n.pt epochs=10 lr0=0.01
詳細なコマンドと使用例については、CLIガイドをご覧ください。