6.8 KiB
| comments | description | keywords |
|---|---|---|
| true | 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。 | 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、インスタンスセグメンテーション、画像分類、ポーズ推定、多対象トラッキング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：
- YOLOv3：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。
- YOLOv4：2020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。
- YOLOv5：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。
- YOLOv6：2022年に美団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。
- YOLOv7：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。
- YOLOv8 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。
- Segment Anything Model (SAM)：MetaのSegment Anything Model (SAM)です。
- Mobile Segment Anything Model (MobileSAM)：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。
- Fast Segment Anything Model (FastSAM)：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。
- YOLO-NAS：YOLO Neural Architecture Search (NAS)モデルです。
- Realtime Detection Transformers (RT-DETR)：百度のPaddlePaddle Realtime Detection Transformer (RT-DETR)モデルです。
視聴: Ultralytics YOLOモデルをわずか数行のコードで実行します。
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についての完全なドキュメントについては、Predict、Train、Val、Export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 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、Classify、Pose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。
-
リポジトリをフォークする：Ultralytics GitHubリポジトリをフォークすることから始めます。
-
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。
-
あなたのモデルを実装する：貢献ガイド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。
-
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。
-
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。
-
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、貢献ガイドを参照してください。