Ultralytics YOLOによる物体検出#

物体検出は、画像や動画ストリーム内の物体の位置とクラスを特定するタスクです。

物体検出器の出力は、画像内の物体を囲むバウンディングボックスの集合で、各ボックスにはクラスラベルと信頼度スコアが含まれます。シーン内で関心のある物体を特定したいものの、正確な形状を把握する必要がない場合、物体検出が適しています。

モデル#

COCOデータセットで事前学習されたYOLO26 Detectモデルを以下に示します。

モデルは、初回使用時に最新のUltralytics リリースから自動的にダウンロードされます。

• mAP^valの値は、COCO val2017データセットで単一モデル、単一スケールを使用した場合の値です。
  yolo detect val data=coco.yaml device=0で再現できます。e2e列を再現するにはnms=Falseを追加してください。
• 速度は、COCO val画像に対してONNXをCPUで、TensorRT10をNVIDIA T4 GPUで使用した場合の平均値です。
  yolo detect val data=coco.yaml batch=1 device=0|cpu nms=Falseで再現できます。
• ParamsとFLOPsの値は、Conv/BatchNormのfoldingと未使用の検出ブランチの削除を適用した後の、融合済みモデルの値です。事前学習済みチェックポイントにはトレーニング時のアーキテクチャ全体が保持されているため、より大きな値が表示される場合があります。

予備的なCOCO検出結果については、未リリースのYOLO27プレビューをご覧ください。

学習#

COCO8データセットでYOLO26nを、画像サイズ640で100エポックトレーニングします。利用可能な引数の一覧については、Configurationページをご覧ください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.yaml")  # YAMLから新しいモデルを構築します
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # YAMLからモデルを構築し、重みを転送します

# モデルをトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Trainページでtrainモードの詳細をご確認ください。検出モデルは、Ultralytics Platformのクラウドトレーニングでもトレーニングできます。

データセットのフォーマット#

YOLO検出データセットのフォーマットの詳細は、Dataset Guideをご覧ください。既存のCOCO JSONデータセットをYOLOフォーマットに変換するには、COCOからYOLOへのガイドで説明されている組み込みのconvert_coco関数を使用します。Ultralytics PlatformのAI支援アノテーションツールを使って、検出データセットにアノテーションを付けたり管理したりすることもできます。

検証#

トレーニング済みのYOLO26nモデルの精度を検証します。modelにはトレーニング時のdataと引数がモデル属性として保持されるため、引数を指定する必要はありません。Trainの例にあるpath/to/best.ptは、COCO8で検証します。公式の重みには、使用しているマシン上に存在しないトレーニングデータセットのパスが記録されているため、警告を表示したうえで、タスクのデフォルトであるcoco8.yamlにフォールバックします。別のデータセットで検証するには、dataを渡してください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 公式モデルを読み込みます
model = YOLO("path/to/best.pt")  # カスタムモデルを読み込む

# モデルを検証します
metrics = model.val()  # データセットと設定が記憶されるため、引数は不要です
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # カテゴリごとのmAP50-95を含むリスト
metrics.box.image_metrics  # 画像ごとのprecision、recall、F1、TP、FP、FNを含む指標辞書

推論#

トレーニング済みのYOLO26nモデルを使用して、画像に対する予測を実行します。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 公式モデルを読み込みます
model = YOLO("path/to/best.pt")  # カスタムモデルを読み込む

# モデルで予測します
results = model("https://ultralytics.com/images/bus.jpg")  # 画像に対して予測します

# 結果にアクセスします
for result in results:
    xywh = result.boxes.xywh  # 中心x、中心y、幅、高さ
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # 左上x、左上y、右下x、右下y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # 各ボックスのクラス名
    confs = result.boxes.conf  # 各ボックスの信頼度スコア

Predictページでpredictモードの詳細をご確認ください。

結果の出力#

物体検出では、画像ごとにResultsオブジェクトが1つ返されます。主な予測フィールドはresult.boxesで、検出された各物体のボックス座標、クラスID、信頼度スコアが含まれます。

すべてのタスクにおける、タスク固有のResultsフィールドについては、タスク別の予測結果セクションをご覧ください。

エクスポート#

YOLO26nモデルをONNXやCoreMLなどの別のフォーマットにエクスポートします。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 公式モデルを読み込みます
model = YOLO("path/to/best.pt")  # カスタムモデルを読み込む

# モデルをエクスポートする
model.export(format="onnx")

利用可能なYOLO26のエクスポートフォーマットを以下の表に示します。format引数を使用して、任意のフォーマットにエクスポートできます。例: format='onnx'またはformat='engine'。エクスポート済みモデルで直接予測または検証することもできます。例: yolo predict model=yolo26n.onnx。エクスポートが完了すると、モデルの使用例が表示されます。

nms=None は外部NMS向けにraw出力をデフォルトで使用します。利用可能なNMSフリーヘッドを選択するには、nms=Falseを設定してください。未対応のフォーマットでは、ネイティブの出力パスにフォールバックします。上記のnmsの項目は、nms=Trueを使用してNMSを埋め込めるフォーマットを示しています。

詳細なexport情報については、Exportページをご覧ください。

よくある質問#