ultralytics/docs/ja/tasks/detect.md

comments	description	keywords
true	Ultralyticsの公式ドキュメント YOLOv8。モデルのトレーニング、検証、予測、そして様々なフォーマットでのモデルエクスポート方法を学ぶ。詳細なパフォーマンス統計も含む。	YOLOv8, Ultralytics, 物体検出, 事前訓練済みモデル, トレーニング, 検証, 予測, モデルエクスポート, COCO, ImageNet, PyTorch, ONNX, CoreML

物体検出

物体検出とは、画像やビデオストリーム内の物体の位置とクラスを特定するタスクです。

物体検出器の出力は、画像内の物体を囲む一連のバウンディングボックスであり、各ボックスにはクラスラベルと信頼度スコアが付けられます。シーン内の関心対象を識別する必要があるが、その物体の正確な位置や形状までは必要ない場合に、物体検出が適しています。

視聴する: Ultralyticsの事前訓練済みYOLOv8モデルによる物体検出。

!!! Tip "ヒント"

YOLOv8 Detectモデルは、デフォルトのYOLOv8モデル、つまり`yolov8n.pt`であり、[COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml)で事前訓練されています。

モデル

事前訓練されたYOLOv8 Detectモデルがこちらに示されます。Detect, Segment, PoseモデルはCOCOデータセットで、ClassifyモデルはImageNetデータセットで事前訓練されています。

モデルは、最初の使用時にUltralyticsの最新のリリースから自動的にダウンロードされます。

モデル	サイズ (ピクセル)	mAPval 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	パラメータ数 (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• mAP^val の値はCOCO val2017データセットにおいて、単一モデル単一スケールでのものです。
  再現方法: yolo val detect data=coco.yaml device=0
• 速度 はAmazon EC2 P4dインスタンスを使用してCOCO val画像に対して平均化されたものです。
  再現方法: yolo val detect data=coco128.yaml batch=1 device=0|cpu

トレーニング

YOLOv8nを画像サイズ640でCOCO128データセットに対して100エポックでトレーニングします。使用可能な引数の完全なリストについては、設定ページをご覧ください。

!!! Example "例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # モデルをロードする
    model = YOLO('yolov8n.yaml')  # YAMLから新しいモデルを構築
    model = YOLO('yolov8n.pt')    # 事前訓練済みモデルをロード（トレーニングに推奨）
    model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # YAMLから構築し、重みを転送

    # モデルをトレーニングする
    results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # YAMLから新しいモデルを作成し、ゼロからトレーニングを開始
    yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

    # 事前訓練済みの*.ptモデルからトレーニングを開始
    yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

    # YAMLから新しいモデルを作成し、事前訓練済みの重みを転送してトレーニングを開始
    yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
    ```

データセットの形式

YOLO検出データセットの形式の詳細は、データセットガイドに記載されています。他の形式（COCO等）からYOLO形式に既存のデータセットを変換するには、UltralyticsのJSON2YOLOツールをご利用ください。

検証

トレーニングされたYOLOv8nモデルの精度をCOCO128データセットで検証します。引数は不要で、モデルはトレーニングのdataと引数をモデル属性として保持しています。

!!! Example "例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # モデルをロードする
    model = YOLO('yolov8n.pt')          # 公式モデルをロード
    model = YOLO('パス/ベスト.pt')     # カスタムモデルをロード

    # モデルを検証する
    metrics = model.val()             # 引数不要、データセットと設定は記憶されている
    metrics.box.map                   # map50-95
    metrics.box.map50                 # map50
    metrics.box.map75                 # map75
    metrics.box.maps                  # 各カテゴリのmap50-95を含むリスト
    ```
=== "CLI"

    ```bash
    yolo detect val model=yolov8n.pt                 # 公式モデルを検証
    yolo detect val model=パス/ベスト.pt            # カスタムモデルを検証
    ```

予測

トレーニングされたYOLOv8nモデルを使用して画像の予測を実行します。

!!! Example "例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # モデルをロードする
    model = YOLO('yolov8n.pt')          # 公式モデルをロード
    model = YOLO('パス/ベスト.pt')     # カスタムモデルをロード

    # モデルで予測
    results = model('https://ultralytics.com/images/bus.jpg')  # 画像の予測実行
    ```
=== "CLI"

    ```bash
    yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # 公式モデルで予測
    yolo detect predict model=パス/ベスト.pt source='https://ultralytics.com/images/bus.jpg'  # カスタムモデルで予測
    ```

predictモードの詳細は、Predictページで全て見ることができます。

エクスポート

YOLOv8nモデルをONNX、CoreMLなどの異なるフォーマットにエクスポートします。

!!! Example "例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # モデルをロード
    model = YOLO('yolov8n.pt')          # 公式モデルをロード
    model = YOLO('パス/ベスト.pt')     # カスタムトレーニングモデルをロード

    # モデルをエクスポート
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n.pt format=onnx  # 公式モデルをエクスポート
    yolo export model=パス/ベスト.pt format=onnx  # カスタムトレーニングモデルをエクスポート
    ```

YOLOv8エクスポート可能なフォーマットのテーブルは以下です。エクスポート完了後に、エクスポートされたモデルで直接予測または検証が可能です。つまり、yolo predict model=yolov8n.onnx です。使用例はエクスポート完了後にモデルに表示されます。

フォーマット	format引数	モデル	メタデータ	引数
PyTorch	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n.pb	❌	imgsz
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n_ncnn_model/	✅	imgsz, half

exportの詳細は、Exportページで全て見ることができます。