Ultralytics YOLOでコンピュータービジョンを学ぶ

あらゆるビジョンシステムを機能させるための判断力を学びます。タスクの定義、Ultralytics YOLOの7つのタスクからの選択、データとラベルの監査、適切なデータ分割、指標の読み取りを、実画像とデータセットを使った実行可能なYOLO26の例で解説します。

トレーニング前の作業を実践的に解説するガイドです。ビジネス目標を受け入れテストに落とし込み、代表性のあるデータを仕様化して収集し、一貫したラベル付けを行い、スクリプトで品質を監査し、データリークのない分割を行い、データ拡張を調整します。また、準備状況のチェックを通じて、Ultralytics YOLO26の最初のファインチューニングを実施するか判断します。

Ultralytics YOLO26を新規インストールした状態から、カスタムトレーニング、検証、エクスポートまで進めます。画像で推論し、実際のデータセットを構成して、錠剤検出器をトレーニング・診断し、トラッキングを使って動画上でモデルを実行します。さらに、PyTorchとの一致を確認しながらONNXにエクスポートします。各ステップは、実際の出力を確認しながら、ノートPCのCPU上でPythonとCLIを使って実行できます。データセットの計画、収集、ラベル付けについては、「高性能YOLOデータセットの構築」で説明しています。

検出モデルを学習できるようになりました。Ultralytics YOLOは7つのビジョンタスクをサポートしており、このコースでは検出の次によく使われる5つのタスク、すなわちインスタンス・セグメンテーション、セマンティック・セグメンテーション、Pose、方向付きバウンディングボックス、分類について、ラベル形式や学習から、コードでの結果の読み取り、モデルの連結、タスクごとの評価とエクスポートまで学びます。7つ目のタスクである深度推定は、タスク計画と評価・エクスポートのレッスンで扱います。

トレーニング済みのUltralytics YOLOモデルを本番環境に導入します。ランタイムを選び、エクスポートして検証し、ハードウェアに合わせて最適化し、オブジェクトを追跡してカウントパイプラインを構築し、多数のストリームを実行して、ユーザーが気付く前にドリフトを検出します。

Ultralytics Platformで実際の物体検出プロジェクトを実行します。予算を設定し、データを取り込んでラベル付けし、データ分割が適切であることを確認し、学習と実行の比較を行い、専用エンドポイントにデプロイして、精度を監視し、再学習ループを自動化します。