クイックスタート

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/.

# 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 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。

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

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。

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

# 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。

# 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。

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)
• 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。

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=yolov8n.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=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

バッチサイズ1、画像サイズ640で事前学習された検出モデル：

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

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）。

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

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

Python を使って設定を見ることができます。まず settings オブジェクトから ultralytics モジュールを使用します。以下のコマンドを使用して設定を印刷し、戻す：

from ultralytics import settings

# View all settings
print(settings)

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

また、コマンドラインインターフェイスを使えば、簡単なコマンドで設定を確認することができる：

yolo settings

Python 。 update メソッドを settings オブジェクトの設定を変更します：

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()

コマンドラインインターフェイスを使用したい場合は、以下のコマンドで設定を変更できます：

# 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