クイックスタート
インストールUltralytics
Ultralytics はpip、conda、Dockerを含む様々なインストール方法を提供している。YOLOv8 。 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を使用すると、隔離されたコンテナ内でパッケージを実行できるため、ローカルでのインストールを回避できる。
見るんだ: Ultralytics YOLO クイックスタートガイド
インストール
をインストールします。 ultralytics
パッケージの更新を行う。 pip install -U ultralytics
.の詳細についてはPython Package Index (PyPI) を参照してください。 ultralytics
パッケージで提供される: https://pypi.org/project/ultralytics/.
をインストールすることもできます。 ultralytics
パッケージを直接GitHub リポジトリ.これは最新の開発版が欲しい場合に便利かもしれない。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。Gitの @main
コマンドは main
ブランチに変更され、別のブランチに変更されることもある。 @my-branch
または、完全に削除してデフォルトにする main
ブランチだ。
Condaはpipに代わるパッケージマネージャーで、インストールにも使用で きます。詳細はAnacondaをご覧くださいhttps://anaconda.org/conda-forge/ultralytics.Ultralytics condaパッケージを更新するためのfeedstockリポジトリはhttps://github.com/conda-forge/ultralytics-feedstock/にあります。
注
CUDA環境にインストールする場合、ベストプラクティスは次のようにインストールすることです。 ultralytics
, pytorch
そして pytorch-cuda
を同じコマンドで実行することで、condaパッケージマネージャが競合を解決できるようにします。 pytorch-cuda
をオーバーライドする。 pytorch
パッケージが必要である。
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である。 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
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、リポジトリにアクセスしてください。クローンした後、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。
Dockerを活用することで、簡単に実行できる。 ultralytics
パッケージを隔離されたコンテナ内に格納することで、さまざまな環境において一貫したスムーズなパフォーマンスを実現します。公式の ultralytics
からの画像 ドッカー・ハブUltralytics 。サポートされているDockerイメージは主に5種類あり、それぞれ異なるプラットフォームやユースケースに対して高い互換性と効率性を提供するように設計されています:
- Dockerfile:トレーニングに推奨されるGPUイメージ。
- Dockerfile-arm64:ARM64 アーキテクチャ用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が可能です。
- Dockerfile-cpu:UbuntuベースのCPUのみのバージョンで、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 。
以下は、最新のイメージを取得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おく。また --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ます。これは、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
アルター /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でアクセスできるようにする。
高度なDockerの使い方については、Ultralytics DockerGuideをご覧ください。
参照 ultralytics
要件.txt 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。
Ultralytics 。CLI
Ultralytics コマンドラインインターフェイス(CLI)は、Python 環境を必要とせず、シンプルなシングルラインコマンドを可能にする。CLI カスタマイズやPython コードは必要ない。単純にターミナルから yolo
コマンドをチェックする。 CLI ガイド コマンドラインからYOLOv8 。
例
Ultralytics yolo
コマンドは以下の構文を使う:
TASK
(オプション) は (見つける, セグメント, 分類する, ポーズ)MODE
(必須) は (電車, 値, 予測, 輸出, トラック)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 コマンドを使用している。
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:
YOLOv8n 分類モデルを、画像サイズ 224 x 128 でONNX フォーマットにエクスポートする(TASK は不要)。
警告
引数は arg=val
ペア、イコールで分割 =
記号を使用し、ペアの間はスペースで区切る。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=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌ (行方不明=
)yolo predict model=yolov8n.pt, imgsz=640, conf=0.25
❌ (使わないこと,
)yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌ (使わないこと--
)
Ultralytics 。Python
YOLOv8の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可能にし、モデルの出力のロード、実行、処理を容易にします。シンプルさと使いやすさを念頭に設計されたPython インターフェイスにより、ユーザーはオブジェクト検出、セグメンテーション、分類をプロジェクトにすばやく実装できます。このため、YOLOv8 の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もうとする人にとって、非常に貴重なツールとなっています。
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、検証セットでその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もできる。Python プロジェクト内でのYOLOv8 の使用については、Python ガイドをご覧ください。
例
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')
# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.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 設定
Ultralytics ライブラリは、実験のきめ細かな制御を可能にする強力な設定管理システムを提供する。このシステムは SettingsManager
に収容されている。 ultralytics.utils
モジュールを使えば、ユーザーは簡単に自分の設定にアクセスし、変更することができる。これらの設定は YAML ファイルに保存され、Python 環境で直接、またはコマンドラインインターフェイス (CLI) を使って表示または変更することができます。
設定の検査
現在の設定を把握するために、設定を直接見ることができます:
設定を見る
設定の変更
Ultralytics を使用すると、ユーザーは簡単に設定を変更できます。変更は以下の方法で行うことができる:
設定の更新
Python 。 update
メソッドを settings
オブジェクトの設定を変更します:
設定を理解する
以下の表は、Ultralytics 内で調整可能な設定の概要です。各設定は、値の例、データタイプ、簡単な説明とともに概説されています。
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 |
モデルの重みが格納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ているディレクトリ |
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HUBに同期させるかどうか |
api_key |
'' |
str |
Ultralytics HUBAPIキー |
clearml |
True |
bool |
ClearML ロギングを使用するかどうか |
comet |
True |
bool |
実験の追跡と可視化にComet MLを使うかどうか |
dvc |
True |
bool |
実験追跡とバージョン管理にDVCを使うかどうか |
hub |
True |
bool |
Ultralytics HUBインテグレーションを使用するかどうか |
mlflow |
True |
bool |
実験のトラッキングにMLFlowを使うかどうか |
neptune |
True |
bool |
実験のトラッキングにNeptune を使うかどうか |
raytune |
True |
bool |
ハイパーパラメータのチューニングにRay Tuneを使うかどうか |
tensorboard |
True |
bool |
可視化にTensorBoardを使うかどうか |
wandb |
True |
bool |
Weights & Biases ロギングを使用するかどうか |
プロジェクトや実験を進める中で、これらの設定があなたのニーズに最適に設定されていることを確認するために、必ずこれらの設定を再確認してください。