Pythonの使用方法#

Ultralytics YOLO Python使用方法ドキュメントへようこそ。このガイドでは、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、分類のために、Ultralytics YOLOをPythonプロジェクトにスムーズに統合する方法を説明します。ここでは、事前学習済みモデルの読み込みと使用、新しいモデルの学習、画像に対する予測の実行方法を学びます。使いやすいPythonインターフェースは、YOLOをPythonプロジェクトに組み込みたい方にとって有用なリソースです。高度な物体検出機能をすばやく実装できます。さっそく始めましょう。

たとえば、数行のコードだけでモデルを読み込み、学習させ、検証セットでパフォーマンスを評価し、さらにONNXフォーマットにエクスポートできます。

from ultralytics import YOLO

# YOLOモデルをスクラッチから新規作成
model = YOLO("yolo26n.yaml")

# 事前学習済みYOLOモデルを読み込み（学習に推奨）
model = YOLO("yolo26n.pt")

# 「coco8.yaml」データセットを使ってモデルを3エポック学習
results = model.train(data="coco8.yaml", epochs=3)

# 検証セットでモデルのパフォーマンスを評価
results = model.val()

# モデルを使って画像内の物体検出を実行
results = model("https://ultralytics.com/images/bus.jpg")

# モデルをONNXフォーマットにエクスポート
success = model.export(format="onnx")

学習#

Trainモードは、カスタムデータセットでYOLOモデルを学習させるために使用します。このモードでは、指定したデータセットとハイパーパラメーターを使ってモデルを学習させます。学習プロセスでは、画像内の物体のクラスと位置を正確に予測できるよう、モデルのパラメーターを最適化します。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # 任意のモデルタイプを渡す
results = model.train(epochs=5)

トレーニングの例

検証#

Valモードは、YOLOモデルのトレーニング後にモデルを検証するために使用します。このモードでは、検証セットを使ってモデルを評価し、精度と汎化性能を測定します。モデルの性能を向上させるために、ハイパーパラメーターの調整にも使用できます。

from ultralytics import YOLO

# YOLOモデルを読み込む
model = YOLO("yolo26n.yaml")

# モデルをトレーニングする
model.train(data="coco8.yaml", epochs=5)

# トレーニングデータセットの検証用分割で検証する
model.val()

検証の例

推論#

Predictモードは、トレーニング済みのYOLOモデルを使用して、新しい画像や動画の予測を行うために使用します。このモードでは、チェックポイントファイルからモデルを読み込み、ユーザーが画像や動画を指定して推論を実行できます。モデルは入力画像や動画内の物体のクラスと位置を予測します。

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# すべての形式に対応 - image/dir/Path/URL/video/PIL/ndarray。ウェブカメラの場合は0
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # 予測結果を表示します。すべてのYOLO predict引数に対応します

# PILから
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # プロットした画像を保存する

# ndarrayから
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # 予測結果をラベルとして保存する

# PIL/ndarrayのリストから
results = model.predict(source=[im1, im2])

予測の例

エクスポート#

Exportモードは、デプロイに使用できる形式にYOLOモデルをエクスポートするために使用します。このモードでは、モデルを他のソフトウェアアプリケーションやハードウェアデバイスで使用できる形式に変換します。本番環境へのモデルのデプロイに役立つモードです。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

エクスポートの例

トラッキング#

Trackモードは、YOLOモデルを使用してリアルタイムで物体を追跡するために使用します。このモードでは、チェックポイントファイルからモデルを読み込み、ユーザーがライブ動画ストリームを指定してリアルタイムの物体追跡を実行できます。監視システムや自動運転車などのアプリケーションに役立つモードです。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 公式の検出モデルを読み込む
model = YOLO("yolo26n-seg.pt")  # 公式のセグメンテーションモデルを読み込む
model = YOLO("path/to/best.pt")  # カスタムモデルを読み込む

# モデルでトラッキングする
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

トラッキングの例

ベンチマーク#

Benchmarkモードは、YOLOのさまざまなエクスポート形式の速度と精度をプロファイリングするために使用します。ベンチマークでは、エクスポート形式のサイズ、物体検出およびセグメンテーション用のmAP50-95指標、または分類用のaccuracy_top1指標、さらにONNX、OpenVINO、TensorRTなどのさまざまなエクスポート形式における画像あたりの推論時間（ミリ秒）を確認できます。この情報を参考に、速度と精度に関する要件に基づいて、特定のユースケースに最適なエクスポート形式を選択できます。

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

ベンチマークの例

Trainerの使用#

YOLOモデルクラスは、Trainerクラスの高レベルなラッパーとして機能します。各YOLOタスクには独自のTrainerがあり、BaseTrainerを継承します。このアーキテクチャにより、機械学習ワークフローの柔軟性とカスタマイズ性が向上します。

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

overrides = {"model": "yolo26n.pt", "data": "coco8.yaml", "epochs": 3}

# Trainer
trainer = DetectionTrainer(overrides=overrides)
trainer.train()
trained_model = trainer.best  # best.ptへのパス

# Validator
validator = DetectionValidator(args={"data": "coco8.yaml"})
validator(model=trained_model)

# Predictor
predictor = DetectionPredictor(overrides={"model": trained_model})
predictor(source="https://ultralytics.com/images/bus.jpg")

# 中断されたトレーニングを最後のチェックポイントから再開する
trainer = DetectionTrainer(overrides={"resume": "path/to/last.pt"})
trainer.train()

Trainerは、カスタムタスクへの対応や研究開発のアイデアの検証に合わせて、簡単にカスタマイズできます。Ultralytics YOLOのモジュール設計により、新しいコンピュータービジョンタスクに取り組む場合も、既存モデルをファインチューニングして性能を高める場合も、ニーズに合わせてフレームワークを適応させることができます。

カスタマイズのチュートリアル

よくある質問#