ヨロビジョン深圳
深セン
今すぐ参加

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

Nuvola Ladi

3分で読めます

2024年6月27日

Ultralyticsの物体検出およびセグメンテーションモデルを数行のコードで実行する方法に関するステップバイステップガイド。

今回のブログ記事では、UltralyticsのYOLOv5YOLOv8モデルが物体検出セグメンテーションにおいて、どのような能力を発揮するかを詳しく見ていきます。これらの使いやすいモデルを、わずか数行のコードでプロジェクトに統合する方法を解説します。初心者から経験豊富な開発者まで、Ultralyticsが様々なモデルとアーキテクチャ(異なるYOLOバージョンやTransformerベースのモデルを含む)をどのようにサポートしているかをご確認ください。 

彼のビデオの中で、Nicolai Nielsenは、Ultralyticsフレームワーク内でさまざまなモデルを設定し、使用するプロセスを説明しています。ステップごとに分解して、これらの素晴らしいツールをどのように使い始めることができるかを見てみましょう。

Ultralyticsモデルを使ってみる

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ます。これには、YOLOv3から最新のYOLOv8、YOLO-NAS、SAMモデルまでの一般的なYOLOモデルが含まれます。これらのモデルは、リアルタイム検出セグメンテーション姿勢推定などのさまざまなタスクを処理するように設計されています。

まず、Ultralyticsのドキュメントページにアクセスしてください。ここでは、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、詳細な情報を見つけることができます。

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。これを行うには、以下を実行します。

bash

コードをコピー

完了したら、これらのモデルをプロジェクトで使用できます。例として、YOLOv8モデルから始めましょう。

YOLOv8の主な機能

YOLOv8には、以前のバージョンに比べていくつかの機能拡張が施されています。より高速かつ正確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。主な機能には以下が含まれます。 

  • スピードと精度の向上
  • 複数のタスクに対応する事前学習済み重み
  • 物体検出、セグメンテーション、および分類のサポート
  • 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善

Python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次のとおりです。

コードをコピー

以上です!これで、YOLOv8モデルを画像上で実行できました。このシンプルさこそが、Ultralyticsモデルを非常に強力でユーザーフレンドリーにしている理由です。

ライブウェブカメラ検出

ライブウェブカメラフィードでYOLOv8の動作を確認してみませんか?その方法をご紹介します。

python

コードをコピー

このスクリプトは、Webカメラを開き、YOLOv8モデルを適用して、オブジェクトをリアルタイムで検出します。

__wf_reserved_inherit
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概説しています。

その他のモデルに関する検証

UltralyticsはYOLOv8だけにとどまりません。リアルタイム検出のために、YOLOv5、YOLO-NAS、トランスフォーマー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、独自の強みとユースケースがあります。

Transformer モデルとその実行方法

Baidu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の物体検出器です。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てリアルタイム速度を実現し、TensorRTによるCUDAで優れており、柔軟な推論速度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とおりです。

コードをコピー

Segment Anything Models(セグメントAnythingモデル)

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、画像内のすべての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。

FastSAMの実行

FastSAMはリアルタイムセグメンテーション用に最適化されています。その実行方法を以下に示します。

コードをコピー

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。

パフォーマンスとベンチマーク

Ultralyticsフレームワークの優れた機能の1つは、異なるモデルを並べて比較できることです。推論速度や平均適合率(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。

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、高精度のモデルが必要な場合でも、Ultralyticsにはソリューションがあります。詳細な情報と例については、Ultralytics YouTubeチャンネルでNicolai Nielsenによる完全なチュートリアルを必ずご確認ください。

Ultralyticsコミュニティからのチュートリアルやアップデートにご期待ください!

AIの未来を
共に築きましょう!

未来の機械学習で、新たな一歩を踏み出しましょう。

無料ではじめる
クリップボードにコピーしました