数行のコードでUltralyticsの物体検出モデルとセグメンテーションモデルを実行

Ultralytics の YOLOv5 と YOLOv8 モデルによる 物体検出 と セグメンテーション の機能について詳しく解説する、別のブログ記事へようこそ。わずか数行のコードで、これらの使いやすいモデルをプロジェクトに統合する方法を紹介します。初心者の方でも経験豊富な開発者の方でも、異なるYOLOバージョンやTransformerベースのモデルなど、Ultralytics が さまざまなモデル とアーキテクチャをサポートしていることをご確認いただけます。

動画では、Nicolai Nielsenが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て使用する手順を説明しています。手順をステップごとに整理し、これらの優れたツールを使い始める方法を見ていきましょう。

Ultralyticsモデルを始める#

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までの人気のYOLOモデルに加え、YOLO-NASやSAMモデルが含まれます。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、姿勢推定など、さまざまなタスクに対応するよう設計されています。

まず、Ultralyticsのドキュメントページをご覧ください。ここでは、各モデルの主な機能やアーキテクチャ、Pythonスクリプトでの使用方法など、詳細な情報を確認できます。

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。次のコマンドを実行するとインストールできます。

pip install ultralytics

これが完了したら、プロジェクトでこれらのモデルを使用できるようになります。例として、Ultralytics YOLOv8モデルから始めてみましょう。

Ultralytics YOLOv8の主な特長#

Ultralytics YOLOv8には、従来のモデルからさまざまな改良が加えられています。より高速かつ高精度になるよう設計されており、リアルタイムアプリケーションに最適です。主な機能は次のとおりです。

• 速度と精度の向上
• 複数のタスクに対応した事前学習済み重み
• 物体検出、セグメンテーション、分類をサポート
• 性能を向上させる改良されたモデルアーキテクチャ

PythonでUltralytics YOLOv8を実行する#

わずか数行のコードでUltralytics YOLOv8を使い始める方法は次のとおりです。

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。画像上でYOLOv8モデルを実行できました。このシンプルさが、Ultralyticsモデルを非常に強力で使いやすいものにしています。

ライブWebカメラ検出#

ライブWebカメラの映像でUltralytics YOLOv8が動作する様子を確認してみませんか。方法は次のとおりです。

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カメラを起動し、Ultralytics 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. 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説明するNicolai Nielsen。

その他のモデルを探る#

UltralyticsはYOLOv8だけにとどまりません。YOLOv5、YOLO-NAS、リアルタイム検出向けのTransformerベースのモデルなど、さまざまな他のモデルもサポートしています。各モデルには、それぞれ異なる強みと用途があります。

Transformer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す。畳み込み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の速度を実現し、TensorRTを使用したCUDA上で優れた性能を発揮するとともに、推論速度を柔軟に調整できます。

RT-DETRモデルを実行する方法は次のとおりです。

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")

Segment Anythingモデル#

Ultralyticsは、MobileSAMやFastSAMなど、セグメンテーションタスク向け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対象をセグメント化するよう設計されており、シーンに関する詳細な情報を提供します。

FastSAMを実行する#

FastSAMはリアルタイムセグメンテーション向けに最適化されています。実行方法は次のとおりです。

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、高速かつ高精度なセグメンテーションが必要なアプリケーションに最適です。

性能と比較#

Ultralyticsフレームワークの優れた機能の1つは、異なるモデルを横並びで比較できることです。推論速度や平均適合率（mAP）などの性能指標を確認することで、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。

主なポイント#

Ultralyticsを使用すれば、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がソリューションを提供します。より詳しい情報や例については、UltralyticsのYouTubeチャンネルでNicolai Nielsenによる完全なチュートリアルをご覧ください。

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