12 KiB
| 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 |
- mAPval 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。