本番環境でのUltralytics YOLO
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。
作成者 Ultralytics Academy
適切なランタイムでYOLO26モデルをデプロイし、同等性を検証します。検出結果を複数のストリームにわたる追跡IDとカウントに変換し、レイテンシ、精度、ドリフトの問題をユーザーが気付く前に通知できるよう計測します。
デバイス、レイテンシの予算、フリートに基づいてランタイムと
format=を選び、ベンチマークを繰り返して確認します。ONNXにエクスポートし、静的形状でのレターボックス処理の落とし穴も含めて、PyTorchとの同等性を実証します。
キャリブレーションデータと精度の合格基準を用いて、TensorRTとOpenVINOでFP32、FP16、INT8のいずれを使うか決定します。
ByteTrack、BoT-SORT、TrackTrackでオブジェクトを追跡し、検出器の信頼度に合わせてトラッカーのしきい値を調整します。
追跡を基盤として、ラインカウンター、ゾーン占有率、ヒートマップ、キャリブレーション済み速度推定を構築します。
バッチ推論と上限付きキューを使用し、フレームのドロップ数を計測しながら、1つのモデルで複数のカメラストリームを実行します。
フレームごとの指標を記録し、KS検定で信頼度のドリフトを検出して、レイテンシとコストを抑えるために最も低コストの対策を実行します。
デバイス向けのランタイム選定。ミリ秒単位の予算に対して、ベンチマークを繰り返し測定した数値で裏付けます。
PyTorchモデルと比較し、ボックス、信頼度、mAPの同等性チェックを記録したONNXエクスポート。
対象ハードウェアでmAPとレイテンシの合格基準を満たした最適化済みエクスポート（OpenVINOまたはTensorRT）。
実際の動画で、カウントライン、ゾーンカウント、ヒートマップ、キャリブレーション済み速度推定を行うカウントパイプライン。
複数のカメラからのフレームをバッチ処理し、ストリームごとに処理済みフレーム数とドロップフレーム数を報告するマルチストリームワーカー。
モニタリングループ：フレームごとのJSON指標、信頼度に対するKSドリフト検定、週次のホールドアウト検証。
トレーニング済みモデル。たとえば最初のYOLOモデルをトレーニングするの
runs/detect/pills_v1/weights/best.ptや、手順を試すための事前トレーニング済みyolo26n.ptチェックポイントを用意します。Python 3.10以降と
pip install "ultralytics[solutions]" onnxruntime scipy（solutionsにはshapelyとlapが追加されます）。Python、コマンドライン、動画ソース（ファイル、ウェブカメラ、RTSP）の基本的な知識。
推奨：まず最初のYOLOモデルをトレーニングすると高性能なYOLOデータセットの構築を完了してください。
コース内容
4個のモジュール · 9件のレッスンモジュール 1
モジュール 2
モジュール 3