コンテンツへスキップ

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/.

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 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。

コンダのレシピ ダウンロード コンダバージョン コンダ・プラットフォーム

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

備考

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なります。 pytorch-cuda をオーバーライドする。 pytorch パッケージが必要である。

# 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HubUltralytics 。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:

ドッカー・プル

  • 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、stdin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。

チップ

PyTorch そのため、https://pytorch.org/get-started/locally の指示に従って、PyTorch を最初にインストールすることをお勧めします。

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)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してください。 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:

yolo TASK MODE ARGS

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=coco128.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=coco128.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

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 --)

CLI ガイド

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 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.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) を使って表示や変更ができます。

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

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

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:

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

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 アナリティクスとクラッシュを同期させるかどうかHUB
api_key '' str Ultralytics HUB API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 使用するかどうか Ultralytics HUB統合
mlflow True bool 実験のトラッキングにMLFlowを使うかどうか
neptune True bool 実験追跡にネプチューンを使うかどうか
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。



作成日:2023-11-12 更新日:2024-02-03
著者:glenn-jocher(7),chr043416@gmail.com(2),Laughing-q(1),AyushExel(1)

コメント