Ultralytics YOLO27: ウェイティングリストに登録してください。
はじめる

PyTorch HubからYOLOv5を読み込む#

このガイドでは、PyTorch向けの事前学習済みモデルリポジトリであるPyTorch HubからYOLOv5を読み込む方法を説明します。

開始する前に#

requirements.txtを、Python>=3.8.0環境にインストールしてください。これにはPyTorch>=1.8も含まれます。モデルとデータセットは、最新のYOLOv5リリースから自動的にダウンロードされます。

pip install -r https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt
ヒント

ultralytics/yolov5のクローンは不要です。PyTorch Hubがコードを自動的に取得します。

PyTorch HubでYOLOv5を読み込む#

簡単な例#

この例では、PyTorch Hubから事前学習済みのYOLOv5sモデルを読み込み、modelとして画像を推論に渡します。'yolov5s'は、YOLOv5の事前学習済みチェックポイントの中でも小型で高速なモデルです。

import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = "https://ultralytics.com/images/zidane.jpg"

# Inference
results = model(im)

results.pandas().xyxy[0]
# xmin    ymin    xmax   ymax  信頼度  クラス    名前
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

詳細な例#

この例では、YOLOv5のAutoShape()forwardメソッドが受け付ける入力タイプのうち、2つの画像ソースであるPILとOpenCVを使ったバッチ推論を示します。resultsはコンソールに出力したり、runs/hubに保存したり、対応環境で画面に表示したりできます。また、テンソルまたはpandasのDataFrameとして返すこともできます。

import cv2
import torch
from PIL import Image

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Images
for f in "zidane.jpg", "bus.jpg":
    torch.hub.download_url_to_file(f"https://ultralytics.com/images/{f}", f)  # download 2 images
im1 = Image.open("zidane.jpg")  # PIL image
im2 = cv2.imread("bus.jpg")[..., ::-1]  # OpenCV image (BGR to RGB)

# Inference
results = model([im1, im2], size=640)  # batch of images

# Results
results.print()
results.save()  # or .show()

results.xyxy[0]  # im1 predictions (tensor)
results.pandas().xyxy[0]  # im1 predictions (pandas)
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie
YOLO inference results on zidane.jpg YOLO inference results on bus.jpg

推論設定#

YOLOv5モデルには、信頼度しきい値やIoUしきい値など、さまざまな推論属性が含まれており、次のように設定できます。

model.conf = 0.25  # NMSの信頼度しきい値
model.iou = 0.45  # NMSのIoUしきい値
model.agnostic = False  # NMSのクラス非依存設定
model.multi_label = False  # NMSで1つのボックスに複数のラベルを付与する設定
model.classes = None  # （省略可能なリスト）クラスでフィルタリングします。例：COCOの人物、猫、犬の場合は [0, 15, 16]
model.max_det = 1000  # 画像あたりの検出数の最大値
model.amp = False  # 自動混合精度（AMP）推論

results = model(im, size=320)  # カスタム推論サイズ

デバイス#

モデルは作成後に任意のデバイスへ移動できます：

model.cpu()  # CPU
model.cuda()  # GPU
model.to(device)  # 例：device=torch.device(0)

モデルは任意の device 上に直接作成することもできます：

model = torch.hub.load("ultralytics/yolov5", "yolov5s", device="cpu")  # CPU上で読み込む
ヒント

推論の前に、入力画像は適切なモデルデバイスへ自動的に転送されます。

出力を抑制する#

モデルは _verbose=False を指定して、出力を抑制しながら読み込めます：

model = torch.hub.load("ultralytics/yolov5", "yolov5s", _verbose=False)  # 出力を抑制して読み込む

入力チャンネル#

デフォルトの3チャンネルではなく、4つの入力チャンネルを持つ事前学習済みYOLOv5sモデルを読み込むには、次のようにします：

model = torch.hub.load("ultralytics/yolov5", "yolov5s", channels=4)

この場合、モデルは、事前学習済みの入力レイヤーと形状が異なるため、最初の入力レイヤーを除く事前学習済み重みで構成されます。入力レイヤーはランダムな重みで初期化された状態を維持します。

クラス数#

デフォルトの80クラスではなく、出力クラスが10個の事前学習済みYOLOv5sモデルを読み込むには、次のようにします：

model = torch.hub.load("ultralytics/yolov5", "yolov5s", classes=10)

この場合、モデルは、事前学習済みの出力レイヤーと形状が異なるため、出力レイヤーを除く事前学習済み重みで構成されます。出力レイヤーはランダムな重みで初期化された状態を維持します。

強制再読み込み#

上記の手順で問題が発生した場合は、force_reload=True を設定すると、既存のキャッシュを破棄してPyTorch Hubから最新バージョンのYOLOv5を新たにダウンロードできます。キャッシュされたコピーは ~/.cache/torch/hub に保存されています。このフォルダーを削除しても同じ効果が得られます。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", force_reload=True)  # 強制再読み込み

スクリーンショットで推論する#

デスクトップ画面で推論を実行するには、次のようにします：

import torch
from PIL import ImageGrab

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = ImageGrab.grab()  # スクリーンショットを撮る

# Inference
results = model(im)

マルチGPU推論#

YOLOv5モデルは、スレッド化された推論を使って複数のGPUに並列に読み込めます：

import threading

import torch

def run(model, im):
    """Performs inference on an image using a given model and saves the output; model must support `.save()` method."""
    results = model(im)
    results.save()

# Models
model0 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=0)
model1 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=1)

# Inference
threading.Thread(target=run, args=[model0, "https://ultralytics.com/images/zidane.jpg"], daemon=True).start()
threading.Thread(target=run, args=[model1, "https://ultralytics.com/images/bus.jpg"], daemon=True).start()

トレーニング#

推論ではなくトレーニング用にYOLOv5モデルを読み込むには、autoshape=Falseを設定します。ランダムに初期化された重みを持つモデルを読み込んで最初からトレーニングするには、pretrained=Falseを使用します。この場合は独自のトレーニングスクリプトを用意するか、YOLOv5のカスタムデータのトレーニングチュートリアルに示すようにtrain.pyでトレーニングする必要があります。

import torch

model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False)  # 事前学習済みモデルを読み込む
model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False, pretrained=False)  # スクラッチから読み込む

Base64形式の結果#

Base64エンコードされた結果は、YOLOv5のFlask REST APIの例のように、APIサービスで役立ちます。

import base64
from io import BytesIO

from PIL import Image

results = model(im)  # inference

results.ims  # 推論のためにモデルへ渡された元画像の配列（np配列）
results.render()  # ボックスとラベルでresults.imsを更新する
for im in results.ims:
    buffered = BytesIO()
    im_base64 = Image.fromarray(im)
    im_base64.save(buffered, format="JPEG")
    print(base64.b64encode(buffered.getvalue()).decode("utf-8"))  # 結果を含むBase64エンコード済み画像

切り抜き結果#

結果は、検出箇所を切り抜いた画像として返したり保存したりできます：

results = model(im)  # inference
crops = results.crop(save=True)  # 切り抜かれた検出結果の辞書

pandasの結果#

結果はPandas DataFrameとして返すことができます：

results = model(im)  # inference
results.pandas().xyxy[0]  # Pandas DataFrame
Pandasの出力（クリックして展開） 
print(results.pandas().xyxy[0])
# xmin    ymin    xmax   ymax  信頼度  クラス    名前
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

結果の並べ替え#

列で結果を並べ替えることができます。たとえば、ナンバープレートの数字の検出結果を左から右（x軸）に並べ替えられます。

results = model(im)  # inference
results.pandas().xyxy[0].sort_values("xmin")  # 左から右へ並べ替える

JSON形式の結果#

結果は、.to_json() メソッドを使って .pandas() DataFrameに変換した後、JSON形式で返すことができます。orient 引数を使ってJSON形式を変更できます。詳細はpandasの .to_json() ドキュメントを参照してください。

results = model(im)  # inference
results.pandas().xyxy[0].to_json(orient="records")  # JSON形式のimg1予測結果
JSONの出力（クリックして展開） 
[
    {
        "xmin": 749.5,
        "ymin": 43.5,
        "xmax": 1148.0,
        "ymax": 704.5,
        "confidence": 0.8740234375,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 433.5,
        "ymin": 433.5,
        "xmax": 517.5,
        "ymax": 714.5,
        "confidence": 0.6879882812,
        "class": 27,
        "name": "tie"
    },
    {
        "xmin": 115.25,
        "ymin": 195.75,
        "xmax": 1096.0,
        "ymax": 708.0,
        "confidence": 0.6254882812,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 986.0,
        "ymin": 304.0,
        "xmax": 1028.0,
        "ymax": 420.0,
        "confidence": 0.2873535156,
        "class": 27,
        "name": "tie"
    }
]

カスタムモデル#

この例では、PyTorch Hubを使用して、カスタムの20クラスVOCで学習したYOLOv5sモデル'best.pt'を読み込みます。

import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="path/to/best.pt")  # ローカルモデル
model = torch.hub.load("path/to/yolov5", "custom", path="path/to/best.pt", source="local")  # ローカルリポジトリ

TensorRT、ONNX、OpenVINOモデル#

PyTorch Hubは、カスタムトレーニング済みモデルを含む、ほとんどのYOLOv5エクスポート形式での推論をサポートしています。

ヒント
import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.pt")  # PyTorch
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.torchscript")  # TorchScript
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.onnx")  # ONNX
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_openvino_model/")  # OpenVINO
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.engine")  # TensorRT
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.mlpackage")  # CoreML（macOS専用）
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.tflite")  # TFLite
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_paddle_model/")  # PaddlePaddle

サポート対象の環境#

Ultralyticsでは、プロジェクトをすぐに開始できるよう、CUDA、cuDNN、Python、PyTorchなどの必須依存関係をあらかじめインストールした、すぐに使える各種環境を提供しています。

プロジェクトのステータス#

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テストでは、トレーニング、検証、推論、エクスポート、ベンチマークなど、さまざまな重要な側面におけるYOLOv5の機能とパフォーマンスを厳密に確認します。これにより、macOS、Windows、Ubuntuで一貫して信頼性の高い動作が保証されます。テストは24時間ごと、および新しいコミットごとに実施されます。

よくある質問#

  • いいえ。torch.hub.load("ultralytics/yolov5", ...)は初回使用時に、コードを~/.cache/torch/hubに、重みをダウンロードします。インストールが必要なのはrequirements.txt内のパッケージのみです。

  • チェックポイントのパスtorch.hub.load("ultralytics/yolov5", "custom", path="runs/train/exp/weights/best.pt")を指定して、customエントリーポイントを使用します。ネットワークに接続せずに読み込むには、source="local"とローカルリポジトリのパスを追加します。

  • はい。エクスポートしたファイルを同じcustomローダーに渡すと、YOLOv5は拡張子に基づいて適切なバックエンドを選択します。たとえば、yolov5s.onnx、yolov5s.engine、またはyolov5s_openvino_model/を指定します。

  • キャッシュされたリポジトリを破棄して最新のコードを取得するには、force_reload=Trueを渡すか、~/.cache/torch/hubを手動で削除します。これにより、YOLOv5の新しいリリースも取得されます。

  • results.xyxy[0]は[x1, y1, x2, y2, confidence, class]行のテンソルを返し、results.pandas().xyxy[0]はクラス名を含むDataFrameを返します。そのDataFrameに対して.to_json(orient="records")を実行すると、JSONが生成されます。

コントリビューター
GLglenn-jocher4RAraimbekovm1PDpderrenger1

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。