コンテンツにスキップ

クイックスタート

Ultralyticsのインストール

Ultralyticsはpip、conda、Dockerを含む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であるultralytics pipパッケージを通じてYOLOv8をインストールするか、最新バージョンを取得するためにUltralytics GitHubリポジトリをクローンします。Dockerは、ローカルインストールを回避し、孤立したコンテナ内でパッケージを実行するために使用できます。

インストール

pipを使用してultralyticsパッケージをインストールするか、pip install -U ultralyticsを実行して既存のインストールをアップデートします。ultralyticsパッケージの詳細については、Python Package Index（PyPI）を参照してください: https://pypi.org/project/ultralytics/。

PyPI version Downloads

# PyPIからultralyticsパッケージをインストール
pip install ultralytics

GitHubのリポジトリから直接ultralyticsパッケージをインストールすることもできます。これは、最新の開発版が必要な場合に便利かもしれません。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必要があります。@mainコマンドはmainブランチをインストールし、別のブランチ、例えば@my-branchに変更したり、mainブランチにデフォルトするために完全に削除することができます。

# GitHubからultralyticsパッケージをインストール
pip install git+https://github.com/ultralytics/ultralytics.git@main

Condaはpipの代わりの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。より詳細はAnacondaを参照してください https://anaconda.org/conda-forge/ultralytics。Condaパッケージを更新するためのUltralyticsフィードストックリポジトリはこちらです https://github.com/conda-forge/ultralytics-feedstock/。

Conda Recipe Conda Downloads Conda Version Conda Platforms

# Condaを使用してultralyticsパッケージをインストール
conda install -c conda-forge ultralytics

ノート

CUDA環境でインストールする場合、パッケージマネージャーが競合を解決できるようにするため、ultralytics、pytorch、pytorch-cudaを同じコマンドで一緒にインストールするのがベストプラクティスです。または、CPU専用のpytorchパッケージに必要な場合は上書きするようにpytorch-cudaを最後にインストールします。 

# Condaを使用して一緒にすべてのパッケージをインストール
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Dockerイメージ

UltralyticsのConda DockerイメージもDockerHubから利用可能です。これらのイメージはMiniconda3に基づいており、Conda環境でultralyticsを使用する簡単な方法です。

# イメージ名を変数として設定
t=ultralytics/ultralytics:latest-conda

# Docker Hubから最新のultralyticsイメージをプル
sudo docker pull $t

# すべてのGPUを持つコンテナでultralyticsイメージを実行
sudo docker run -it --ipc=host --gpus all $t  # すべてのGPU
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # GPUを指定

開発への貢献に興味がある場合や、最新のソースコードで実験したい場合は、ultralyticsリポジトリをクローンしてください。クローンした後、ディレクトリに移動し、pipを使って編集可能モード-eでパッケージをインストールします。 

# ultralyticsリポジトリをクローン
git clone https://github.com/ultralytics/ultralytics

# クローンしたディレクトリに移動
cd ultralytics

# 開発用に編集可能モードでパッケージをインストール
pip install -e .

必要な依存関係のリストについては、ultralyticsのrequirements.txtファイルを参照してください。上記の全ての例では、必要な依存関係を全てインストールします。



Watch: Ultralytics YOLO Quick Start Guide

ヒント

PyTorchの要件はオペレーティングシステムとCUDAの要件によって異なるため、https://pytorch.org/get-started/locallyに従って最初にPyTorchをインストールすることをお勧めします。

PyTorch Installation Instructions

CLIでUltralyticsを使用

Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクをyoloコマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、CLIガイドを参照してください。

例

Ultralyticsのyoloコマンドは以下の構文を使用します： 

yolo TASK MODE ARGS

ここで  TASK（オプション）は[detect, segment, classify]のうちの1つ
        MODE（必須）は[train, val, predict, export, track]のうちの1つ
        ARGS（オプション）はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。
full Configuration Guideまたはyolo cfgで全てのARGSを確認してください

10エポックにわたって初期学習率0.01で検出モデルをトレーニング 

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

画像サイズ320で事前トレーニングされたセグメンテーションモデルを使用してYouTubeビデオを予測： 

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

バッチサイズ1および画像サイズ640で事前トレーニングされた検出モデルを検証する： 

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

画像サイズ224 x 128でYOLOv8n分類モデルをONNX形式にエクスポート（TASKは不要） 

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

バージョンを確認したり、設定を表示したり、チェックを行ったりするための特別なコマンドを実行します： 

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

警告

引数はarg=valペアとして渡され、=記号で分割され、ペア間にスペースが必要です。引数のプレフィックスに--や引数間にカンマ,を使用しないでください。

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25   ❌

CLIガイド

PythonでUltralyticsを使用

YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。

たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、Pythonガイドを参照してください。

例

from ultralytics import YOLO

# スクラッチから新しいYOLOモデルを作成
model = YOLO('yolov8n.yaml')

# 事前トレーニドされたYOLOモデルをロード（トレーニングに推奨）
model = YOLO('yolov8n.pt')

# 'coco128.yaml'データセットを使用して3エポックでモデルをトレーニング
results = model.train(data='coco128.yaml', epochs=3)

# モデルのパフォーマンスを検証セットで評価
results = model.val()

# モデルを使用して画像で物体検出を実行
results = model('https://ultralytics.com/images/bus.jpg')

# モデルをONNX形式にエクスポート
success = model.export(format='onnx')

Pythonガイド


Created 2023-11-13, Updated 2023-11-25
Authors: glenn-jocher (5), chr043416@gmail.com (1)

コメント