You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
187 lines
11 KiB
187 lines
11 KiB
--- |
|
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/)。 |
|
|
|
[](https://badge.fury.io/py/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/)。 |
|
|
|
|
|
[](https://anaconda.org/conda-forge/ultralytics) [](https://anaconda.org/conda-forge/ultralytics) [](https://anaconda.org/conda-forge/ultralytics) [](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。 |
|
|
|
<a href="https://pytorch.org/get-started/locally/"> |
|
<img width="800" alt="PyTorch Installation Instructions" src="https://user-images.githubusercontent.com/26833433/228650108-ab0ec98a-b328-4f40-a40d-95355e8a84e3.png"> |
|
</a> |
|
|
|
## 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}
|
|
|