Ultralytics YOLO27: ウェイトリストに登録する。
Get Started
pipのインストールから、デプロイ可能なカスタム検出器まで
基礎向け学習パス初級 約4時間 10件のレッスン最終試験 · 修了証

初めてのYOLOモデルをトレーニングする

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。

作成者 Ultralytics Academy

コースを開始進捗を保存するにはサインインしてください
学習内容

カスタムデータセットでUltralytics YOLO26モデルをトレーニング、検証、エクスポートし、動画上で実行します。また、Pythonとコマンドラインの両方から、各ステップで問題が発生した際の診断方法を学びます。

  • Ultralyticsをインストールし、使用するデバイスを確認して、PythonとCLIでYOLO26の推論を実行します。

  • リーダーボードではなく、測定したレイテンシの予算に基づいてモデルサイズを選びます。

  • Ultralytics YOLO形式でデータセットを構成し、ラベルを変換して、どこからでも解決できるdata.yamlを記述します。

  • トレーニング、検証、再開、ウォームスタートを行い、検証アーティファクトを修正項目のリストにまとめます。

  • 動画をストリーミングしてトラッキングし、ONNX、TensorRT、OpenVINOなどにエクスポートして、エクスポート結果がPyTorchと一致することを確認します。

作成するもの

  • YOLO形式の錠剤データセットと、Ultralyticsが破損ラベルなしで読み込めるdata.yaml。

  • トレーニング済みのbest.pt検出器と、事前トレーニング済みのベースラインと並べた検証結果。

  • トラッキングで重複のない物体数を数え、フレームレートに追従できているかを確認する、ストリーミング対応の動画スクリプト。

  • 条件を揃えた場合に、検出結果とmAPがPyTorchモデルと一致するONNXエクスポート。

前提条件

  • Python 3.10以降と、Pythonスクリプトやシェルコマンドを問題なく実行できるスキル。

  • GPUは不要です。このコースの例はすべて、ノートPCのCPUで数分以内に実行できます。NVIDIA GPUまたはApple Siliconがあれば、より大規模な実行を高速化できます。

  • 推奨：事前にコンピュータービジョンの基礎と高性能YOLOデータセットの構築を完了してください。

コース内容

5個のモジュール · 10件のレッスン

モジュール 1

セットアップ
1

Ultralyticsをインストールする

クリーンな環境にUltralyticsをインストールし、yolo checksのレポートを確認してデバイスを特定し、推論を1回実行してセットアップを検証します。

モジュール 2

予測
2

画像で予測

Pythonから事前学習済みのYOLO26モデルを実行し、結果からクラス、信頼度、ピクセル単位のボックスを読み取り、見逃しの多くを解消する引数を調整します。

3

Ultralytics YOLOのモデルサイズを選ぶ

YOLO26のn、s、m、l、xを比較し、対象ハードウェアでベンチマークを実施して、レイテンシの予算に収まる最小サイズを選びます。

モジュール 3

データ
4

カスタムデータセットを準備する

画像とラベルをUltralytics YOLO形式で配置し、ピクセル座標のBBoxを正規化したラベル行に変換して、学習前に不正なラベルを見つけます。

5

データセット用YAMLを作成する

Ultralyticsにフォルダーの場所を指定し、クラス名を定義するdata.yamlを作成します。どこからでもパスを解決できるようにし、yolo valで動作確認します。

モジュール 4

学習
6

最初のモデルを学習する

1回の呼び出しでデータセット上のYOLO26をファインチューニングし、学習ログをリアルタイムで1行ずつ読み、実行フォルダーからbest.ptと重要なプロットを見つけます。

7

検証と診断

best.ptをベースラインと照らし合わせて検証し、混同行列、クラス別の数値、予測画像を確認して、具体的な修正項目のリストを作成します。

8

再開してイテレーションを進める

中断した実行を正確に再開し、実際に適用される学習率を使ってbest.ptから新しいラウンドをウォームスタートし、実行結果を並べて比較します。

モジュール 5

出荷する
9

動画で推論を実行する

YOLO26を動画ファイルやライブカメラで実行し、メモリ使用量を一定範囲内に保ちながら、オブジェクトを追跡してそれぞれを一度だけ数え、モデルがフレームレートに追いつけるか確認します。

10

デプロイ用にエクスポートする

best.ptをONNX、OpenVINO、TensorRT、CoreML、LiteRT、またはQNNにエクスポートし、出荷前にエクスポートモデルがPyTorchモデルと一致することを確認してください。