わずか数行のコードでUltralytics物体検出およびセグメンテーションモデルを実行する

Ultralytics' YOLOv5 および YOLOv8 モデルによる 物体検出 と セグメンテーション の機能について解説するブログ記事へようこそ。これらの扱いやすいモデルを、わずか数行のコードでプロジェクトに統合する方法を紹介します。初心者の方から経験豊富な開発者の方まで、Ultralyticsがどのように様々なモデルやアーキテクチャ（各種YOLOバージョンやTransformerベースのモデルを含む）をサポートしているかをご確認いただけます。

Nicolai Nielsen氏によるvideoでは、Ultralyticsフレームワーク内でさまざまなモデルをセットアップし、使用するプロセスを解説しています。ステップバイステップで手順を分解し、これらの強力なツールをどのように使い始められるかを見ていきましょう。

Link to this sectionUltralyticsモデルを使い始める#

Ultralyticsは、複数の物体検出および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しています。これにはYOLOv3から最新のYOLOv8まで、人気のあるYOLOモデルが含まれるほか、YOLO-NASやSAMモデルも含まれます。これらのモデルは、リアルタイムdetection（検出）、segmentation（セグメンテーション）、pose estimation（姿勢推定）など、さまざまなタスクを処理できるように設計されています。

まずは、Ultralytics documentation pageをご覧ください。こちらでは、各モデルの主要な機能、アーキテクチャ、Pythonスクリプトでの使用方法など、詳細な情報をご覧いただけます。

Link to this section環境のセットアップ#

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。インストールは以下のコマンドを実行することで行えます。

pip install ultralytics

これが完了すれば、プロジェクトでこれらのモデルの使用を開始できます。例としてYOLOv8モデルから始めましょう。

Link to this sectionYOLOv8の主な特徴#

YOLOv8は、以前のモデルと比べていくつかの強化が施されています。より高速かつ高精度になるように設計されており、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です。

• スピードと精度の向上
• 複数のタスクに対応した事前学習済みウェイト
• 物体検出、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改良されたモデルアーキテクチャ

Link to this sectionPythonでのYOLOv8の実行#

YOLOv8をわずか数行のコードで使い始める方法は以下の通りです。

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

これで完了です！画像に対してYOLOv8モデルを実行できました。このシンプルさこそが、Ultralyticsモデルが強力で使いやすい理由です。

Link to this sectionライブWebカメラでの検出#

ライブWebカメラの映像でYOLOv8の動作を確認したいですか？その方法は以下の通りです。

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

このスクリプトはWebカメラを開き、YOLOv8モデルを適用してリアルタイムで物体を検出します。

図1. Nicolai NielsenがUltralyticsの物体検出およびセグメンテーションモデルの実行方法を解説。

Link to this section他のモデルを探求する#

UltralyticsはYOLOv8だけではありません。リアルタイム検出のために、YOLOv5、YOLO-NAS、Transformerベースのモデルなど、さまざまなother models（他のモデル）もサポートしています。各モデルには独自の強みとユースケースがあります。

Link to this sectionTransformerモデルとその実行方法#

Baiduが開発しUltralyticsがサポートするRT-DETRモデルは、リアルタイムのパフォーマンス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す。コンボリューション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ーを使用してリアルタイム速度を実現し、CUDA環境のTensorRTで優れた性能を発揮し、推論速度の柔軟な調整をサポートしています。

RT-DETRモデルを実行する方法は以下の通りです。

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this sectionSegment Anything Models#

Ultralyticsは、MobileSAMやFastSAMなど、セグメンテーションタスク用のモデルも提供しています。これらのモデルは画像内のあらゆるものをセグメント化するように設計されており、シーンに関する詳細な洞察を提供します。

Link to this sectionFastSAMの実行#

FastSAMはリアルタイムセグメンテーションに最適化されており、その実行方法は以下の通りです。

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

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。

Link to this sectionパフォーマンスと比較#

Ultralyticsフレームワークの素晴らしい機能の一つは、異なるモデルを並べて比較できることです。推論速度やmean average precision（mAP）などのパフォーマンス指標を見ることで、特定のアプリケーションに最適なモデルを簡単に判断できます。

Link to this section主なポイント#

Ultralyticsを使用すると、わずか数行のコードで物体検出およびセグメンテーションモデルを非常に簡単に実行できます。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、高精度なモデルが必要な場合でも、Ultralyticsには最適なソリューションがあります。詳細な情報や例については、UltralyticsのYouTubeチャンネルで公開されているNicolai Nielsen氏の完全なチュートリアルをぜひチェックしてください。

Ultralytics communityからの今後のチュートリアルやアップデートにご期待ください！