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.
 
 
 

12 KiB

comments description keywords
true Ultralyticsのpip、conda、git、Dockerを使用した様々なインストール方法を探索し、コマンドラインインターフェースまたはPythonプロジェクト内でのUltralyticsの使用方法を学びます。 Ultralyticsインストール, pipインストールUltralytics, DockerインストールUltralytics, Ultralyticsコマンドラインインターフェース, Ultralytics Pythonインターフェース

Ultralyticsのインストール

Ultralyticsはpip、conda、Dockerを含むさまざまなインストール方法を提供しています。最新の安定版リリースであるultralytics pipパッケージを通じてYOLOv8をインストールするか、最新バージョンを取得するためにUltralytics GitHubリポジトリをクローンします。Dockerは、ローカルインストールを回避し、孤立したコンテナ内でパッケージを実行するために使用できます。

!!! Example "インストール"

=== "Pipでのインストール(推奨)"
    pipを使用して`ultralytics`パッケージをインストールするか、`pip install -U ultralytics`を実行して既存のインストールをアップデートします。`ultralytics`パッケージの詳細については、Python Package Index(PyPI)を参照してください: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/)。

    [![PyPI version](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![Downloads](https://static.pepy.tech/badge/ultralytics)](https://pepy.tech/project/ultralytics)

    ```bash
    # PyPIからultralyticsパッケージをインストール
    pip install ultralytics
    ```

    GitHubの[リポジトリ](https://github.com/ultralytics/ultralytics)から直接`ultralytics`パッケージをインストールすることもできます。これは、最新の開発版が必要な場合に便利かもしれません。システムにGitコマンドラインツールがインストールされている必要があります。`@main`コマンドは`main`ブランチをインストールし、別のブランチ、例えば`@my-branch`に変更したり、`main`ブランチにデフォルトするために完全に削除することができます。

    ```bash
    # GitHubからultralyticsパッケージをインストール
    pip install git+https://github.com/ultralytics/ultralytics.git@main
    ```


=== "Condaでのインストール"
    Condaはpipの代わりのパッケージマネージャーで、インストールにも使用できます。より詳細はAnacondaを参照してください [https://anaconda.org/conda-forge/ultralytics](https://anaconda.org/conda-forge/ultralytics)。Condaパッケージを更新するためのUltralyticsフィードストックリポジトリはこちらです [https://github.com/conda-forge/ultralytics-feedstock/](https://github.com/conda-forge/ultralytics-feedstock/)。


    [![Conda Recipe](https://img.shields.io/badge/recipe-ultralytics-green.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Downloads](https://img.shields.io/conda/dn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Version](https://img.shields.io/conda/vn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda Platforms](https://img.shields.io/conda/pn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics)

    ```bash
    # Condaを使用してultralyticsパッケージをインストール
    conda install -c conda-forge ultralytics
    ```

    !!! Note "ノート"

        CUDA環境でインストールする場合、パッケージマネージャーが競合を解決できるようにするため、`ultralytics`、`pytorch`、`pytorch-cuda`を同じコマンドで一緒にインストールするのがベストプラクティスです。または、CPU専用の`pytorch`パッケージに必要な場合は上書きするように`pytorch-cuda`を最後にインストールします。
        ```bash
        # Condaを使用して一緒にすべてのパッケージをインストール
        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
        ```

    ### Conda Dockerイメージ

    UltralyticsのConda Dockerイメージも[DockerHub](https://hub.docker.com/r/ultralytics/ultralytics)から利用可能です。これらのイメージは[Miniconda3](https://docs.conda.io/projects/miniconda/en/latest/)に基づいており、Conda環境で`ultralytics`を使用する簡単な方法です。

    ```bash
    # イメージ名を変数として設定
    t=ultralytics/ultralytics:latest-conda

    # Docker Hubから最新のultralyticsイメージをプル
    sudo docker pull $t

    # すべてのGPUを持つコンテナでultralyticsイメージを実行
    sudo docker run -it --ipc=host --gpus all $t  # すべてのGPU
    sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # GPUを指定
    ```

=== "Gitクローン"
    開発への貢献に興味がある場合や、最新のソースコードで実験したい場合は、`ultralytics`リポジトリをクローンしてください。クローンした後、ディレクトリに移動し、pipを使って編集可能モード`-e`でパッケージをインストールします。
    ```bash
    # ultralyticsリポジトリをクローン
    git clone https://github.com/ultralytics/ultralytics

    # クローンしたディレクトリに移動
    cd ultralytics

    # 開発用に編集可能モードでパッケージをインストール
    pip install -e .
    ```

必要な依存関係のリストについては、ultralyticsrequirements.txtファイルを参照してください。上記の全ての例では、必要な依存関係を全てインストールします。



Watch: Ultralytics YOLO Quick Start Guide

!!! Tip "ヒント"

PyTorchの要件はオペレーティングシステムとCUDAの要件によって異なるため、[https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally)に従って最初にPyTorchをインストールすることをお勧めします。

<a href="https://pytorch.org/get-started/locally/">
    <img width="800" alt="PyTorch Installation Instructions" src="https://user-images.githubusercontent.com/26833433/228650108-ab0ec98a-b328-4f40-a40d-95355e8a84e3.png">
</a>

CLIでUltralyticsを使用

Ultralyticsコマンドラインインターフェース(CLI)を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクをyoloコマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、CLIガイドを参照してください。

!!! Example "例"

=== "構文"

    Ultralyticsの`yolo`コマンドは以下の構文を使用します:
    ```bash
    yolo TASK MODE ARGS

    ここで  TASK(オプション)は[detect, segment, classify]のうちの1つ
            MODE(必須)は[train, val, predict, export, track]のうちの1つ
            ARGS(オプション)はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。
    ```
    full [Configuration Guide](/../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください

=== "トレーニング"

    10エポックにわたって初期学習率0.01で検出モデルをトレーニング
    ```bash
    yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
    ```

=== "予測"

    画像サイズ320で事前トレーニングされたセグメンテーションモデルを使用してYouTubeビデオを予測:
    ```bash
    yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
    ```

=== "検証"

    バッチサイズ1および画像サイズ640で事前トレーニングされた検出モデルを検証する:
    ```bash
    yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
    ```

=== "エクスポート"

    画像サイズ224 x 128でYOLOv8n分類モデルをONNX形式にエクスポート(TASKは不要)
    ```bash
    yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128
    ```

=== "特殊"

    バージョンを確認したり、設定を表示したり、チェックを行ったりするための特別なコマンドを実行します:
    ```bash
    yolo help
    yolo checks
    yolo version
    yolo settings
    yolo copy-cfg
    yolo cfg
    ```

!!! Warning "警告"

引数は`arg=val`ペアとして渡され、`=`記号で分割され、ペア間にスペース` `が必要です。引数のプレフィックスに`--`や引数間にカンマ`,`を使用しないでください。

- `yolo predict model=yolov8n.pt imgsz=640 conf=0.25` &nbsp; ✅
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌

CLIガイド{ .md-button }

PythonでUltralyticsを使用

YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。

たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、Pythonガイドを参照してください。

!!! Example "例"

```python
from ultralytics import YOLO

# スクラッチから新しいYOLOモデルを作成
model = YOLO('yolov8n.yaml')

# 事前トレーニドされたYOLOモデルをロード(トレーニングに推奨)
model = YOLO('yolov8n.pt')

# 'coco128.yaml'データセットを使用して3エポックでモデルをトレーニング
results = model.train(data='coco128.yaml', epochs=3)

# モデルのパフォーマンスを検証セットで評価
results = model.val()

# モデルを使用して画像で物体検出を実行
results = model('https://ultralytics.com/images/bus.jpg')

# モデルをONNX形式にエクスポート
success = model.export(format='onnx')
```

Pythonガイド{.md-button .md-button--primary}