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.
98 lines
6.8 KiB
98 lines
6.8 KiB
--- |
|
comments: true |
|
description: UltralyticsがサポートするYOLOファミリー、SAM、MobileSAM、FastSAM、YOLO-NAS、RT-DETRモデルの多様な範囲を探索し、CLIおよびPythonの使用例で始めましょう。 |
|
keywords: Ultralytics, ドキュメント, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, モデル, アーキテクチャ, Python, CLI |
|
--- |
|
|
|
# Ultralyticsがサポートするモデル |
|
|
|
Ultralyticsのモデルドキュメントへようこそ！我々は、[オブジェクト検出](../tasks/detect.md)、[インスタンスセグメンテーション](../tasks/segment.md)、[画像分類](../tasks/classify.md)、[ポーズ推定](../tasks/pose.md)、[多対象トラッキング](../modes/track.md)などの特定のタスクに特化した幅広いモデルのサポートを提供しています。Ultralyticsにあなたのモデルアーキテクチャを貢献したい場合は、[貢献ガイド](../../help/contributing.md)を確認してください。 |
|
|
|
!!! Note "注意" |
|
|
|
🚧 現在、さまざまな言語でのドキュメントを構築中であり、改善に努めています。ご理解ありがとうございます！🙏 |
|
|
|
## 特集モデル |
|
|
|
ここではサポートされている主要なモデルをいくつか紹介します： |
|
|
|
1. **[YOLOv3](yolov3.md)**：Joseph RedmonによるYOLOモデルファミリーの第三世代で、効率的なリアルタイムオブジェクト検出能力で知られています。 |
|
2. **[YOLOv4](yolov4.md)**：2020年にAlexey BochkovskiyによってリリースされたYOLOv3のdarknetネイティブアップデートです。 |
|
3. **[YOLOv5](yolov5.md)**：UltralyticsによるYOLOアーキテクチャの改良版で、以前のバージョンと比較してパフォーマンスと速度のトレードオフが向上しています。 |
|
4. **[YOLOv6](yolov6.md)**：2022年に[美団](https://about.meituan.com/)によってリリースされ、同社の多数の自動配送ロボットで使用されています。 |
|
5. **[YOLOv7](yolov7.md)**：YOLOv4の著者によって2022年にリリースされたYOLOモデルのアップデートです。 |
|
6. **[YOLOv8](yolov8.md) 新機能 🚀**：YOLOファミリーの最新バージョンで、例えばインスタンスセグメンテーション、ポーズ/キーポイント推定、分類などの機能が強化されています。 |
|
7. **[Segment Anything Model (SAM)](sam.md)**：MetaのSegment Anything Model (SAM)です。 |
|
8. **[Mobile Segment Anything Model (MobileSAM)](mobile-sam.md)**：慶應義塾大学によるモバイルアプリケーションのためのMobileSAMです。 |
|
9. **[Fast Segment Anything Model (FastSAM)](fast-sam.md)**：中国科学院自動化研究所、画像及びビデオ解析グループのFastSAMです。 |
|
10. **[YOLO-NAS](yolo-nas.md)**：YOLO Neural Architecture Search (NAS)モデルです。 |
|
11. **[Realtime Detection Transformers (RT-DETR)](rtdetr.md)**：百度のPaddlePaddle Realtime Detection Transformer (RT-DETR)モデルです。 |
|
|
|
<p align="center"> |
|
<br> |
|
<iframe width="720" height="405" src="https://www.youtube.com/embed/MWq1UxqTClU?si=nHAW-lYDzrz68jR0" |
|
title="YouTube動画プレイヤー" frameborder="0" |
|
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" |
|
allowfullscreen> |
|
</iframe> |
|
<br> |
|
<strong>視聴:</strong> Ultralytics YOLOモデルをわずか数行のコードで実行します。 |
|
</p> |
|
|
|
## Getting Started: 使用例 |
|
|
|
この例は、YOLOのトレーニングと推論の簡単な例を提供します。これらおよびその他の[モード](../modes/index.md)についての完全なドキュメントについては、[Predict](../modes/predict.md)、[Train](../modes/train.md)、[Val](../modes/val.md)、[Export](../modes/export.md)のドキュメントページを参照してください。 |
|
|
|
以下の例は、オブジェクト検出のためのYOLOv8 [Detect](../tasks/detect.md) モデルについてです。追加のサポートされるタスクについては、[Segment](../tasks/segment.md)、[Classify](../tasks/classify.md)、[Pose](../tasks/pose.md)のドキュメントを参照してください。 |
|
|
|
!!! Example "例" |
|
|
|
=== "Python" |
|
|
|
PyTorchの事前訓練済み`*.pt`モデルや構成`*.yaml`ファイルは、`YOLO()`、`SAM()`、`NAS()`、`RTDETR()`クラスに渡して、Pythonでモデルインスタンスを作成することができます： |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# COCOで事前訓練されたYOLOv8nモデルをロードする |
|
model = YOLO('yolov8n.pt') |
|
|
|
# モデル情報を表示する（任意） |
|
model.info() |
|
|
|
# モデルをCOCO8の例示データセットで100エポックトレーニングする |
|
results = model.train(data='coco8.yaml', epochs=100, imgsz=640) |
|
|
|
# 'bus.jpg'画像でYOLOv8nモデルを用いた推論を実行する |
|
results = model('path/to/bus.jpg') |
|
``` |
|
|
|
=== "CLI" |
|
|
|
モデルを直接実行するためのCLIコマンドが利用可能です： |
|
|
|
```bash |
|
# COCOで事前訓練されたYOLOv8nモデルをロードし、COCO8の例示データセットで100エポックトレーニングする |
|
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640 |
|
|
|
# COCOで事前訓練されたYOLOv8nモデルをロードし、'bus.jpg'画像で推論を実行する |
|
yolo predict model=yolov8n.pt source=path/to/bus.jpg |
|
``` |
|
|
|
## 新しいモデルの貢献 |
|
|
|
Ultralyticsにあなたのモデルを貢献することに興味がありますか？素晴らしいです！我々は常にモデルのポートフォリオを拡張することに興味があります。 |
|
|
|
1. **リポジトリをフォークする**：[Ultralytics GitHubリポジトリ](https://github.com/ultralytics/ultralytics)をフォークすることから始めます。 |
|
|
|
2. **あなたのフォークをクローンする**：あなたのフォークをローカルマシンにクローンし、作業を行う新しいブランチを作成します。 |
|
|
|
3. **あなたのモデルを実装する**：[貢献ガイド](../../help/contributing.md)に示されているコーディング規格および指針に従ってモデルを追加します。 |
|
|
|
4. **徹底的にテストする**：パイプラインの一部としてだけでなく、単独でモデルを厳密にテストすることを確認してください。 |
|
|
|
5. **プルリクエストを作成する**：モデルに満足したら、レビューのために本リポジトリにプルリクエストを作成します。 |
|
|
|
6. **コードレビュー＆マージ**：レビュー後、モデルが我々の基準を満たしている場合、本リポジトリにマージされます。 |
|
|
|
詳細な手順については、[貢献ガイド](../../help/contributing.md)を参照してください。
|
|
|