--- comments: true description: Ultralyticsのpip、conda、git、Dockerを使用した様々なインストール方法を探索し、コマンドラインインターフェースまたはPythonプロジェクト内でのUltralyticsの使用方法を学びます。 keywords: Ultralyticsインストール, pipインストールUltralytics, DockerインストールUltralytics, Ultralyticsコマンドラインインターフェース, Ultralytics Pythonインターフェース --- ## Ultralyticsのインストール Ultralyticsはpip、conda、Dockerを含むさまざまなインストール方法を提供しています。最新の安定版リリースである`ultralytics` pipパッケージを通じてYOLOv8をインストールするか、最新バージョンを取得するために[Ultralytics GitHubリポジトリ](https://github.com/ultralytics/ultralytics)をクローンします。Dockerは、ローカルインストールを回避し、孤立したコンテナ内でパッケージを実行するために使用できます。 !!! example "インストール" === "Pipでのインストール（推奨）" pipを使用して`ultralytics`パッケージをインストールするか、`pip install -U ultralytics`を実行して既存のインストールをアップデートします。`ultralytics`パッケージの詳細については、Python Package Index（PyPI）を参照してください: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/)。 [![PyPI version](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![Downloads](https://static.pepy.tech/badge/ultralytics)](https://pepy.tech/project/ultralytics) ```bash # PyPIからultralyticsパッケージをインストール pip install ultralytics ``` GitHubの[リポジトリ](https://github.com/ultralytics/ultralytics)から直接`ultralytics`パッケージをインストールすることもできます。これは、最新の開発版が必要な場合に便利かもしれません。システムにGitコマンドラインツールがインストールされている必要があります。`@main`コマンドは`main`ブランチをインストールし、別のブランチ、例えば`@my-branch`に変更したり、`main`ブランチにデフォルトするために完全に削除することができます。 ```bash # GitHubからultralyticsパッケージをインストール pip install git+https://github.com/ultralytics/ultralytics.git@main ``` === "Condaでのインストール" Condaはpipの代わりのパッケージマネージャーで、インストールにも使用できます。より詳細はAnacondaを参照してください [https://anaconda.org/conda-forge/ultralytics](https://anaconda.org/conda-forge/ultralytics)。Condaパッケージを更新するためのUltralyticsフィードストックリポジトリはこちらです [https://github.com/conda-forge/ultralytics-feedstock/](https://github.com/conda-forge/ultralytics-feedstock/)。 [![Conda Recipe](https://img.shields.io/badge/recipe-ultralytics-green.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Downloads](https://img.shields.io/conda/dn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Version](https://img.shields.io/conda/vn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Platforms](https://img.shields.io/conda/pn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) ```bash # Condaを使用してultralyticsパッケージをインストール conda install -c conda-forge ultralytics ``` !!! note CUDA環境でインストールする場合、パッケージマネージャーが競合を解決できるようにするため、`ultralytics`、`pytorch`、`pytorch-cuda`を同じコマンドで一緒にインストールするのがベストプラクティスです。または、CPU専用の`pytorch`パッケージに必要な場合は上書きするように`pytorch-cuda`を最後にインストールします。 ```bash # Condaを使用して一緒にすべてのパッケージをインストール conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics ``` ### Conda Dockerイメージ UltralyticsのConda Dockerイメージも[DockerHub](https://hub.docker.com/r/ultralytics/ultralytics)から利用可能です。これらのイメージは[Miniconda3](https://docs.conda.io/projects/miniconda/en/latest/)に基づいており、Conda環境で`ultralytics`を使用する簡単な方法です。 ```bash # イメージ名を変数として設定 t=ultralytics/ultralytics:latest-conda # Docker Hubから最新のultralyticsイメージをプル sudo docker pull $t # すべてのGPUを持つコンテナでultralyticsイメージを実行 sudo docker run -it --ipc=host --gpus all $t # すべてのGPU sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # GPUを指定 ``` === "Gitクローン" 開発への貢献に興味がある場合や、最新のソースコードで実験したい場合は、`ultralytics`リポジトリをクローンしてください。クローンした後、ディレクトリに移動し、pipを使って編集可能モード`-e`でパッケージをインストールします。 ```bash # ultralyticsリポジトリをクローン git clone https://github.com/ultralytics/ultralytics # クローンしたディレクトリに移動 cd ultralytics # 開発用に編集可能モードでパッケージをインストール pip install -e . ``` 必要な依存関係のリストについては、`ultralytics`の[requirements.txt](https://github.com/ultralytics/ultralytics/blob/main/requirements.txt)ファイルを参照してください。上記の全ての例では、必要な依存関係を全てインストールします。 !!! tip "ヒント" PyTorchの要件はオペレーティングシステムとCUDAの要件によって異なるため、[https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally)に従って最初にPyTorchをインストールすることをお勧めします。 PyTorch Installation Instructions ## CLIでUltralyticsを使用 Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクを`yolo`コマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、[CLIガイド](../usage/cli.md)を参照してください。 !!! example === "構文" Ultralyticsの`yolo`コマンドは以下の構文を使用します： ```bash yolo TASK MODE ARGS ここで TASK（オプション）は[detect, segment, classify]のうちの1つ MODE（必須）は[train, val, predict, export, track]のうちの1つ ARGS（オプション）はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。 ``` full [Configuration Guide](../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください === "トレーニング" 10エポックにわたって初期学習率0.01で検出モデルをトレーニング ```bash yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 ``` === "予測" 画像サイズ320で事前トレーニングされたセグメンテーションモデルを使用してYouTubeビデオを予測： ```bash yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320 ``` === "検証" バッチサイズ1および画像サイズ640で事前トレーニングされた検出モデルを検証する： ```bash yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640 ``` === "エクスポート" 画像サイズ224 x 128でYOLOv8n分類モデルをONNX形式にエクスポート（TASKは不要） ```bash yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128 ``` === "特殊" バージョンを確認したり、設定を表示したり、チェックを行ったりするための特別なコマンドを実行します： ```bash yolo help yolo checks yolo version yolo settings yolo copy-cfg yolo cfg ``` !!! warning "警告" 引数は`arg=val`ペアとして渡され、`=`記号で分割され、ペア間にスペース` `が必要です。引数のプレフィックスに`--`や引数間にカンマ`,`を使用しないでください。 - `yolo predict model=yolov8n.pt imgsz=640 conf=0.25`   ✅ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25`   ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`   ❌ [CLIガイド](../usage/cli.md){ .md-button .md-button--primary} ## PythonでUltralyticsを使用 YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。 たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、[Pythonガイド](../usage/python.md)を参照してください。 !!! example ```python from ultralytics import YOLO # スクラッチから新しいYOLOモデルを作成 model = YOLO('yolov8n.yaml') # 事前トレーニドされたYOLOモデルをロード（トレーニングに推奨） model = YOLO('yolov8n.pt') # 'coco128.yaml'データセットを使用して3エポックでモデルをトレーニング results = model.train(data='coco128.yaml', epochs=3) # モデルのパフォーマンスを検証セットで評価 results = model.val() # モデルを使用して画像で物体検出を実行 results = model('https://ultralytics.com/images/bus.jpg') # モデルをONNX形式にエクスポート success = model.export(format='onnx') ``` [Pythonガイド](../usage/python.md){.md-button .md-button--primary}