Meet YOLO26: next-gen vision AI.

Ultralytics YOLOv5 v7.0 banner 

<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

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、高速かつ高精度な物体検出機能で知られています。PyTorchを基盤としており、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。主な特徴には、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のサポート、TFLite、ONNX、CoreML、TensorRTなどのエクスポート形式との互換性があります。Ultralytics YOLOv5がどのようにプロジェクトを向上させるかについて、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？#

データセットでカスタムYOLOv5モデルを学習させるには、いくつかの重要なステップが必要です。まず、ラベルが付与された必要な形式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手順をステップバイステップで説明しています。

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のため、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、複数回のパスを伴うRCNN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、優れた選択肢となっています。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最適化には、さまざまなハイパーパラメータの調整や、データ拡張および転移学習といった手法の組み込みが含まれます。Ultralyticsでは、モデル効率を向上させるためのハイパーパラメータエボリューションやプルーニング/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実践的な洞察が得られる最高の学習結果を得るためのヒントガイドもぜひご確認ください。

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などの無料GPUノートブックをはじめ、Google Cloud、Amazon AWS、Azureといった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。また、便利なセットアップのためにDockerイメージも利用可能です。これらの環境構築の詳細なガイドについては、各プラットフォームへのステップバイステップの手順が含まれている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-jocher26PDpderrenger2RAraimbekovm1JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

コメント