数行のコードでUltralytics オブジェクト検出とセグメンテーションモデルを実行する

Ultralytics モデルを使い始める

Ultralytics は、複数のオブジェクト検出とセグメンテーションモデルをサポートする包括的なフレームワークを提供する。これには、YOLOv3 から最新のYOLOv8 までの一般的なYOLO モデルに加え、YOLO-NAS およびSAM モデルが含まれる。これらのモデルは、リアルタイムの検出、セグメンテーション、ポーズ推定など、さまざまなタスクを処理するように設計されている。

手始めに、Ultralytics のドキュメントページをご覧ください。ここには、各モデルの主な機能、アーキテクチャ、Python スクリプトでの使用方法など、各モデルに関する詳細な情報が記載されています。

環境の設定

まず、Ultralytics がインストールされていることを確認してください。これは

bash

コピーコード

1<pre style="width: 75%;">
2<code>
3pip install ultralytics
4</code>
5</pre>

これが終われば、プロジェクトでこれらのモデルを使い始めることができる。例としてYOLOv8 。

YOLOv88の主な特徴

YOLOv8 は、前作よりもいくつかの機能が強化されています。より速く、より正確に設計されており、リアルタイム・アプリケーションに最適です。主な機能は以下の通り： 

• スピードと精度の向上
• 複数のタスクに対して事前に訓練された重み
• オブジェクト検出、セグメンテーション、分類のサポート
• パフォーマンス向上のためのモデル・アーキテクチャの改良

YOLOv8 Python

わずか数行のコードでYOLOv8 ：

コピーコード

<pre style="width: 75%;">
<code>
# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
results = model.predict('path/to/your/image.jpg')
results.show()
</code>
</pre>

‍

以上です！画像に対してYOLOv8 モデルを実行しただけです。このシンプルさが、Ultralytics のモデルを非常にパワフルで使いやすいものにしているのです。

ライブ・ウェブカメラ検出

YOLOv8 、ライブ・ウェブカメラ・フィードでその動きをご覧になりたいですか？その方法はこちら：

python

コピーコード

1<pre style="width: 75%;">
2<code>
3# Copy code
4import ultralytics
5model = ultralytics.YOLO('yolov8')
6# Open a live webcam feed
7cap = cv2.VideoCapture(0)
8while True:
9	ret, frame = cap.read()
10	if not ret:
11		break
12	results = model.predict(frame)
13	results.show()
14	if cv2.waitKey(1) & 0xFF == ord('q'):
15		break
16cap.release()
17cv2.destroyAllWindows()
18</code>
19</pre>

‍

このスクリプトはウェブカメラを開き、YOLOv8 モデルを適用してリアルタイムでオブジェクトを検出します。

他のモデルを探る

Ultralytics は、YOLOv8 にとどまらない。YOLOv5 、YOLO-NAS、リアルタイム検出のためのトランスフォーマーベースのモデルなど、他にもさまざまなモデルをサポートしている。各モデルにはそれぞれ長所と使用例がある。

変圧器のモデルと運転方法

バイドゥによって開発され、Ultralytics によってサポートされているRT-DETR モデルは、リアルタイム性能と高精度を提供する最先端のエンドツーエンド物体検出器である。convベースのバックボーンと効率的なハイブリッド・エンコーダを使用し、TensorRT との連携により、CUDA をリアルタイムで高速化し、推論速度の柔軟な調整をサポートしています。

RT-DETR ：

コピーコード

1<pre style="width: 75%;">
2<code>
3from Ultralytics import YOLO
4# Load a pretrained YOLOv8n model
5model = YOLO("rtdetr-l.pt")
6
7# Run inference on 'bus.jpg' with arguments
8model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)
9</code>
10</pre>

‍

ランニングFastSAM

FastSAM はリアルタイム・セグメンテーションに最適化されている：

コピーコード

1<pre style="width: 75%;">
2<code>
3import ultralytics
4model = ultralytics.SAM("FastSAM-s.pt")
5results = model.predict('path/to/your/image.jpg')
6results.show()
7</code>
8</pre>

‍

このモデルは、迅速かつ正確なセグメンテーションを必要とするアプリケーションに最適です。

パフォーマンスと比較

Ultralytics フレームワークの素晴らしい特徴のひとつは、異なるモデルを並べて比較できることです。推論速度や平均平均精度(mAP)などの性能指標を見ることで、どのモデルがあなたの特定のアプリケーションに最適かを簡単に判断することができます。

主な収穫

Ultralytics を使えば、わずか数行のコードで驚くほど簡単にオブジェクト検出とセグメンテーションモデルを実行できます。リアルタイム・アプリケーションに取り組んでいる場合でも、高精度のモデルが必要な場合でも、Ultralytics 。より詳細な情報と例については、Ultralytics YouTubeチャンネルにあるNicolai Nielsenの完全なチュートリアルを必ずチェックしてください。

Ultralytics コミュニティからのチュートリアルや最新情報にご期待ください！