--- comments: true description: 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。 keywords: 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 物体検出の例 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](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) 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](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml)データセットで、Classifyモデルは[ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml)データセットで事前訓練されています。 [モデル](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models)は、最初の使用時にUltralyticsの最新の[リリース](https://github.com/ultralytics/assets/releases)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](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt) | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 | | [YOLOv8s](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt) | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 | | [YOLOv8m](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt) | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 | | [YOLOv8l](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt) | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 | | [YOLOv8x](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt) | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 | - **mAPval** の値は[COCO val2017](http://cocodataset.org)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](https://aws.amazon.com/ec2/instance-types/p4/)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](/../usage/cfg.md)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](../../../datasets/detect/index.md)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](https://github.com/ultralytics/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](https://docs.ultralytics.com/modes/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](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`, `optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`, `half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`, `keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`, `half` | `export`の詳細は、[Export](https://docs.ultralytics.com/modes/export/)ページで全て見ることができます。