YOLOv5クイックスタート 🚀#
Ultralytics YOLOv5で、ダイナミックなリアルタイム物体検出の世界への第一歩を踏み出しましょう！このガイドは、YOLOv5を習得したいAI愛好家や専門家に向けた、包括的な入門資料です。初期セットアップから高度なトレーニング手法まで、幅広く網羅しています。このガイドを読み終える頃には、最先端のディープラーニング手法を活用して、自信を持ってプロジェクトにYOLOv5を実装するための知識が身につきます。さあ、エンジンを始動し、YOLOv5の世界へ飛び込みましょう！
インストール#
YOLOv5リポジトリをクローンして環境を構築し、利用を開始しましょう。これにより、必要な要件がすべてインストールされます。Python>=3.8.0とPyTorch>=1.8が利用できる状態になっていることを確認してください。これらの基盤ツールは、YOLOv5を効果的に実行するために欠かせません。
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependenciesPyTorch Hubでの推論#
YOLOv5のPyTorch Hub推論のシンプルさを体験してください。モデルは最新のYOLOv5リリースからシームレスにダウンロードされます。この方法ではPyTorchの機能を活用してモデルを簡単に読み込んで実行できるため、手軽に予測を取得できます。
import torch
# モデルの読み込み
model = torch.hub.load("ultralytics/yolov5", "yolov5s") # 「yolov5n」から「yolov5x6」まで、または「custom」を指定できます
# 画像での推論
img = "https://ultralytics.com/images/zidane.jpg" # ファイル、Path、PIL、OpenCV、numpy、または画像のリストを指定できます
# 推論を実行
results = model(img)
# 結果を表示
results.print() # or .show(), .save(), .crop(), .pandas(), etc.detect.py による推論#
detect.py を使用すると、さまざまなソースに対して柔軟に推論できます。最新の YOLOv5 リリースからモデルを自動的に取得し、結果を簡単に保存します。このスクリプトはコマンドラインでの使用や、YOLOv5 を大規模なシステムに統合する場合に最適です。画像、動画、ディレクトリ、ウェブカメラ、さらにはライブストリームなどの入力に対応しています。
python detect.py --weights yolov5s.pt --source 0 # webcam
python detect.py --weights yolov5s.pt --source image.jpg # image
python detect.py --weights yolov5s.pt --source video.mp4 # video
python detect.py --weights yolov5s.pt --source screen # screenshot
python detect.py --weights yolov5s.pt --source path/ # directory
python detect.py --weights yolov5s.pt --source list.txt # list of images
python detect.py --weights yolov5s.pt --source list.streams # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg' # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP streamトレーニング#
以下のトレーニング手順に従って、YOLOv5 COCO データセットのベンチマークを再現します。必要なモデルとデータセット（coco128.yaml や完全版の coco.yaml など）は、最新の YOLOv5 リリースから直接取得されます。V100 GPUで YOLOv5n/s/m/l/x をトレーニングする場合、通常それぞれ 1/2/4/6/8 日かかります（マルチ GPU トレーニング構成では、より高速に処理できます）。可能な限り高い --batch-size を使用するか、YOLOv5 のAutoBatch機能に --batch-size -1 を使用して、パフォーマンスを最大化します。この機能は最適なバッチサイズを自動的に検出します。以下のバッチサイズは V100-16GB GPU に最適です。モデル構成ファイル（*.yaml）の詳細については、アーキテクチャの概要をご覧ください。
# Train YOLOv5n on COCO128 for 3 epochs
python train.py --data coco128.yaml --epochs 3 --weights yolov5n.pt --batch-size 128
# Train YOLOv5s on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64
# Train YOLOv5m on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40
# Train YOLOv5l on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24
# Train YOLOv5x on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16
YOLOv5 は最先端の物体検出ツールであるだけでなく、機械学習が視覚的な理解を通して世界との関わり方を変革する力を持つことを示す好例でもあります。このガイドを読み進め、YOLOv5 をプロジェクトに適用する際には、コンピュータービジョンで優れた成果を実現できる技術革新の最前線にいることを忘れないでください。さらに知見を深めたり、同じ志を持つ方々からサポートを得たりするには、開発者や研究者の活発なコミュニティが集うGitHub リポジトリをご覧ください。データセット管理やノーコードでのモデルのトレーニングに利用できるUltralytics Platformなどのリソースをぜひご活用ください。また、実際の活用例やアイデアについては、ソリューションページをご覧ください。YOLOv5 を探求し、革新を続け、その優れた機能をお楽しみください。検出をお楽しみください！🌠🔍
よくある質問#
推論の場合は不要です。PyTorch Hub は
torch.hub.load("ultralytics/yolov5", "yolov5s")を使用して、必要に応じてコードと重みをダウンロードします。train.py、val.py、detect.py、export.pyの各スクリプトを実行するには、クローンが必要です。ほとんどのプロジェクトでは、速度と精度のバランスに優れた
yolov5s.ptがおすすめです。エッジデバイスにはyolov5n.pt、速度より精度を重視する場合はyolov5m.ptからyolov5x.ptを使用してください。1280 ピクセルでトレーニングする場合は、yolov5s6.ptなどの P6 バリアントを使用します。全モデルの一覧については、事前学習済みチェックポイントの表をご覧ください。画像と YOLO 形式のラベルを、並列の
images/フォルダーとlabels/フォルダーに配置し、dataset.yamlで設定を記述してから、python train.py --data dataset.yaml --weights yolov5s.ptを実行します。カスタムデータのトレーニングチュートリアルでは、各手順を説明しています。