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。最新の安定版リリースは ultralytics pip パッケージ経由で YOLO をインストールできます。また、最新のバージョンを使用する場合は、Ultralytics GitHub リポジトリをクローンすることでもインストール可能です。パッケージを隔離されたコンテナ内で実行し、ローカルへのインストールを避けるオプションとして Docker も利用できます。
Watch: Ultralytics YOLO Quick Start Guide
pip install -U ultralytics を実行して、pip を使用して ultralytics パッケージをインストールまたは更新します。ultralytics パッケージの詳細については、Python Package Index (PyPI) をご覧ください。
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralyticsまた、Ultralytics GitHub repository から直接 ultralytics をインストールすることもできます。これは、最新の開発版を取得したい場合に役立ちます。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てから、次を実行します。
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main依存関係のリストについては、ultralytics の pyproject.toml ファイルを参照してください。上記のすべての例では、必要なすべての依存関係がインストールされることに注意してください。
ヘッドレスサーバーへのインストール#
ディスプレイのないサーバー環境（クラウド VM、Docker コンテナ、CI/CD パイプラインなど）では、ultralytics-opencv-headless パッケージを使用します。これは標準の ultralytics パッケージと同じですが、opencv-python の代わりに opencv-python-headless に依存するため、不要な GUI 依存関係や潜在的な libGL エラーを回避できます。
pip install ultralytics-opencv-headlessどちらのパッケージも同じ機能とAPIを提供します。ヘッドレス版は、ディスプレイライブラリを必要とするOpenCVのGUIコンポーネントを除外しているだけです。
高度なインストール#
標準的なインストール方法でほとんどのユースケースをカバーできますが、開発やカスタム構成のために、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。
永続的なカスタム変更が必要な場合は、Ultralytics リポジトリをフォークし、pyproject.toml やその他のコードを変更して、フォークからインストールすることができます。
- Ultralytics GitHub リポジトリをご自身の GitHub アカウントにフォークします。
- クローン: フォークしたリポジトリをローカルにクローンします。
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - ブランチ作成: 変更のために新しいブランチを作成します。
git checkout -b my-custom-branch - 必要に応じて、
pyproject.tomlやその他のファイルを修正します。 - コミットとプッシュ: 変更をコミットしてプッシュします。
git add . git commit -m "My custom changes" git push origin my-custom-branch - ブランチを指定した
git+httpsの構文を使用して、pip でインストールします。pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
CLIでUltralyticsを使用する#
Ultralytics 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 行のコマンドを実行できます。CLI にはカスタマイズや Python コードは不要です。yolo コマンドを使用して、すべてのタスクをターミナルから実行します。コマンドラインからの YOLO の使用方法の詳細については、CLI ガイドをご覧ください。
Ultralytics の yolo コマンドは次の構文を使用します。
yolo TASK MODE ARGSTASK（オプション）は、(detect、segment、semantic、depth、classify、pose、obb) のいずれかですMODE（必須）は、(train、val、predict、export、track、benchmark) のいずれかですARGS（オプション）は、デフォルトを上書きするimgsz=640などのarg=valueペアです。
すべての ARGS については、完全な設定ガイドをご覧いただくか、yolo cfg CLI コマンドで確認してください。
引数は arg=value のペアとして渡し、イコール = 記号で分割し、スペースで区切る必要があります。引数の間に -- 引数プレフィックスやカンマ , を使用しないでください。
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (=がありません)yolo predict model=yolo26n.pt, imgsz=640, conf=0.25❌ (,を使用しないでください)yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌ (--を使用しないでください)yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌（solutionではなくsolutionsを使用してください）
PythonでUltralyticsを使用する#
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、モデル出力的のロード、実行、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、ユーザーはオブジェクト検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類を素早く実装できます。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価値のあるツールとなります。
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 形式にエクスポートすることができます。Python プロジェクト内での YOLO の使用方法の詳細については、Python ガイドをご覧ください。
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.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、実験をきめ細かく制御するための SettingsManager が含まれており、ユーザーは設定に簡単にアクセスして変更できます。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るこれらの設定は、Python 環境内またはコマンドラインインターフェース（CLI）経由で表示または変更できます。
設定の確認#
現在の設定構成を確認するには、以下のようにします。
Python を使用して、ultralytics モジュールから settings オブジェクトをインポートし、設定を表示します。次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"]設定の変更#
Ultralyticsでは、以下の方法で設定を簡単に変更できます。
Python では、settings オブジェクトに対して update メソッドを使用します。
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()設定の理解#
以下の表は、Ultralytics内の調整可能な設定の概要であり、値の例、データ型、説明が含まれています。
| 名前 | 値の例 | データ型 | 説明 |
|---|---|---|---|
settings_version | '0.0.7' | str | Ultralytics settings のバージョン（Ultralytics [pip] の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るディレクトリ |
weights_dir | '/path/to/weights' | str | モデルの重みが保存されるディレクトリ |
runs_dir | '/path/to/runs' | str | 実験の実行結果が保存されるディレクトリ |
uuid | 'a1b2c3d4' | str | 現在の設定に対する一意の識別子 |
sync | True | bool | アナリティクスおよびクラッシュ情報を [Ultralytics Platform] に同期するオプション |
api_key | '' | str | [Ultralytics Platform] API Key |
clearml | True | bool | [ClearML] ロギングを使用するオプション |
comet | True | bool | 実験の追跡および視覚化に [Comet ML] を使用するオプション |
dvc | True | bool | 実験の追跡およびバージョン管理に [DVC for experiment tracking] 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 |
raytune | True | bool | ハイパーパラメータチューニングに [Ray Tune] を使用するオプション |
tensorboard | False | bool | 視覚化に [TensorBoard] を使用するオプション |
wandb | False | 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たときに、[Ultralytics-Snippets] 拡張機能のダウンロードプロンプトを有効にします。 |
プロジェクトや実験を進める中で、最適な設定を維持するためにこれらの設定を随時見直してください。
よくある質問 (FAQ)#
pipを使用したUltralyticsのインストールは以下の通りです。
pip install -U ultralyticsこれにより、PyPI から
ultralyticsパッケージの最新の安定リリースがインストールされます。GitHub から直接開発版をインストールするには:pip install git+https://github.com/ultralytics/ultralytics.gitシステムに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ください。
はい、condaを使用してUltralytics YOLOをインストールするには以下を実行します。
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します。CUDA 環境の場合は、競合を解決するために
ultralytics、pytorch、pytorch-cudaを一緒にインストールしてください。conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsその他の手順については、Conda クイックスタートガイドをご覧ください。
Docker は Ultralytics YOLO に隔離された一貫性のある環境を提供し、システム間でのスムーズなパフォーマンスを確保して、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 で入手可能であり、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 --device nvidia.com/gpu=all ultralytics/ultralytics:latest詳細な Docker の手順については、Docker クイックスタートガイドをご覧ください。
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には以下を実行します。
# 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は、Pythonコードなしで物体検出タスクの実行を簡素化し、ターミナルから直接トレーニング、検証、予測のための1行コマンドを可能にします。基本構文は以下の通りです。
yolo TASK MODE ARGS例えば、検出モデルをトレーニングするには以下を実行します。
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01その他のコマンドや使用例については、完全な CLI ガイドをご覧ください。