Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLOv5 総合ガイド#

Ultralytics YOLOv5🚀 ドキュメントへようこそ！Ultralytics YOLOv5は、革命的な「You Only Look Once」物体検出モデルの第5世代であり、リアルタイムで高速かつ高精度な結果を提供するよう設計されています。YOLOv5は現在も強力なツールですが、最新の機能については、その後継モデルである Ultralytics YOLOv8、YOLO11、YOLO26 の利用も検討してください。

PyTorchを基盤としたこの強力なディープラーニングフレームワークは、その汎用性、使いやすさ、そして高いパフォーマンスにより絶大な人気を博しています。当ドキュメントでは、インストール手順からモデルのアーキテクチャの解説、多様なユースケースの紹介、そして一連の詳細なチュートリアルまでをガイドします。これらのリソースを活用して、コンピュータビジョンプロジェクトでYOLOv5の潜在能力を最大限に引き出しましょう。それでは始めましょう！

Link to this section探求と学習#

YOLOv5のさまざまな側面をガイドする包括的なチュートリアル集です。

Link to this sectionサポートされている環境#

Ultralyticsは、プロジェクトをすぐに開始できるように、CUDA、CuDNN、Python、PyTorchなどの主要な依存関係がプリインストールされた、すぐに使えるさまざまな環境を提供しています。また、Ultralytics Platformを使用してモデルやデータセットを管理することも可能です。

Link to this sectionプロジェクトの状態#

YOLOv5 CI

このバッジは、すべての YOLOv5 GitHub Actions 継続的インテグレーション（CI）テストが正常に合格していることを示します。これらのCIテストは、YOLOv5の機能とパフォーマンスをトレーニング、バリデーション、推論、エクスポート、およびベンチマークといった様々な主要な観点から厳密にチェックします。これにより、macOS、Windows、Ubuntuで24時間ごと、および新しいコミットごとにテストが実施され、一貫した信頼性の高い動作が保証されます。


Ultralytics GitHub Ultralytics LinkedIn Ultralytics Twitter Ultralytics YouTube Ultralytics TikTok Ultralytics BiliBili Ultralytics Discord

Link to this sectionコミュニティと貢献#

YOLOv5の旅は一人で行う必要はありません。活気あふれるGitHubコミュニティに参加し、LinkedInで専門家とつながり、Twitterで結果を共有し、YouTubeで教育リソースを見つけましょう。TikTokやBiliBiliでも、魅力的なコンテンツを配信しています。

貢献にご興味がありますか？コードの改善やバグ報告からドキュメントの更新まで、あらゆる形の貢献を歓迎します。詳細については、貢献ガイドラインをご覧ください。

皆様がYOLOv5をどのように革新的に活用されるかを楽しみにしています。飛び込んで実験し、コンピュータビジョンプロジェクトを革命しましょう！ 🚀

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLOv5の主な特徴は何ですか？#

Ultralytics YOLOv5は、その高速かつ高精度な物体検出能力で知られています。PyTorchを基盤として構築されており、汎用性が高くユーザーフレンドリーであるため、さまざまなコンピュータビジョンプロジェクトに適しています。主な機能には、リアルタイム推論、テスト時拡張 (TTA) やモデルアンサンブルといった複数の学習テクニックへの対応、そしてTFLite、ONNX、CoreML、TensorRTといったエクスポート形式との互換性が含まれます。Ultralytics YOLOv5でプロジェクトをさらにレベルアップさせる方法について詳しくは、TFLite、ONNX、CoreML、TensorRTエクスポートガイドをご覧ください。

Link to this section独自のデータセットでカスタムYOLOv5モデルを学習させるにはどうすればよいですか？#

カスタムYOLOv5モデルをデータセットで学習するには、いくつかの重要なステップが必要です。まず、ラベル付けされた注釈付きの必須フォーマットでデータセットを準備します。次に、YOLOv5の学習パラメータを設定し、train.pyスクリプトを使用して学習プロセスを開始します。このプロセスの詳細なチュートリアルについては、カスタムデータの学習ガイドを参照してください。特定のユースケースで最適な結果を得るためのステップバイステップの手順を提供しています。

Link to this sectionRCNNのような他の物体検出モデルと比較して、なぜUltralytics YOLOv5を使用すべきなのですか？#

Ultralytics YOLOv5は、リアルタイム物体検出における優れた速度と精度により、R-CNNのようなモデルよりも好まれています。YOLOv5は画像全体を一度に処理するため、複数回のパスを必要とするR-CNNの領域ベースのアプローチと比較して大幅に高速です。さらに、さまざまなエクスポート形式とのシームレスな統合や充実したドキュメントにより、初心者からプロまで幅広いユーザーにとって優れた選択肢となります。アーキテクチャの利点について詳しくは、アーキテクチャの概要をご覧ください。

Link to this section学習中にYOLOv5モデルのパフォーマンスを最適化するにはどうすればよいですか？#

YOLOv5モデルのパフォーマンスを最適化するには、さまざまなハイパーパラメータの調整に加え、データ拡張や転移学習といった手法を取り入れる必要があります。Ultralyticsは、モデル効率を向上させるためのハイパーパラメータの進化やプルーニング/スパース化に関する包括的なリソースを提供しています。学習中に最適なパフォーマンスを達成するための具体的なヒントについては、学習結果を最適化するためのヒントガイドで確認できます。

Link to this sectionYOLOv5アプリケーションを実行するためにサポートされている環境は何ですか？#

Ultralytics YOLOv5は、Gradient、Google Colab、Kaggle上の無料GPUノートブックや、Google Cloud、Amazon AWS、Azureなどの主要なクラウドプラットフォームなど、さまざまな環境をサポートしています。Dockerイメージも、便利なセットアップのために利用可能です。これらの環境をセットアップするための詳細なガイドについては、各プラットフォームの手順が記載されたサポートされている環境セクションを確認してください。

貢献者
GLglenn-jocher28RAraimbekovm2PDpderrenger2JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

コメント