> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# Ultralytics YOLO
> Ultralytics YOLO モデルで W&B を使用して、実験管理、モデル チェックポイント保存、コンピュータビジョンの可視化を行います。
export const ColabLink = ({url}) =>
Colabで試す
;
[Ultralytics](https://github.com/ultralytics/ultralytics) は、画像分類、物体検出、画像セグメンテーション、姿勢推定といったタスク向けの最先端のコンピュータビジョンモデルを提供する主要なプラットフォームです。[YOLOv8](https://docs.ultralytics.com/models/yolov8/) は、リアルタイム物体検出モデルである YOLO シリーズの最新世代であり、Ultralytics ではこれに加えて [SAM (Segment Anything Model)](https://docs.ultralytics.com/models/sam/#introduction-to-sam-the-segment-anything-model)、[RT-DETR](https://docs.ultralytics.com/models/rtdetr/)、[YOLO-NAS](https://docs.ultralytics.com/models/yolo-nas/) などの強力なコンピュータビジョンモデルも提供しています。Ultralytics はこれらのモデルの実装を提供するだけでなく、使いやすい API を通じて、これらのモデルをトレーニング、ファインチューニング、適用するための、すぐに使えるワークフローも提供しています.
## はじめに
1. `ultralytics` と `wandb` をインストールします。
```shell theme={null}
pip install --upgrade ultralytics==8.0.238 wandb
# または
# conda install ultralytics
```
```bash theme={null}
!pip install --upgrade ultralytics==8.0.238 wandb
```
開発チームは、このインテグレーションを `ultralyticsv8.0.238` 以下でテストしています。インテグレーションに関する問題を報告する場合は、`yolov8` タグを付けて [GitHub issue](https://github.com/wandb/wandb/issues/new?template=sdk-bug.yml) を作成してください。
## 実験を管理し、検証結果を可視化する
このセクションでは、[Ultralytics](https://docs.ultralytics.com/modes/predict/) モデルを使ったトレーニング、ファインチューニング、検証の一般的なワークフローを紹介します。また、[W\&B](https://wandb.ai/site) を使用して、実験管理、モデルのチェックポイント保存、モデルのパフォーマンスの可視化を行う方法も説明します。
このインテグレーションの詳細は、こちらのレポートも参照してください: [Supercharging Ultralytics with W\&B](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
Ultralytics で W\&B インテグレーションを使用するには、`wandb.integration.ultralytics.add_wandb_callback` 関数をimportします。
```python theme={null}
import wandb
from wandb.integration.ultralytics import add_wandb_callback
from ultralytics import YOLO
```
任意の `YOLO` モデルを初期化し、モデルで推論を実行する前に `add_wandb_callback` 関数を呼び出します。これにより、トレーニング、ファインチューニング、検証、または推論を実行すると、実験ログと画像が自動的に保存されます。画像は、W\&B の[コンピュータビジョンタスク向けインタラクティブオーバーレイ](/ja/models/track/log/media/#image-overlays-in-tables)を使用して、グラウンドトゥルースと対応する予測結果の両方を重ねて表示した状態で保存され、さらに追加のインサイトが [`wandb.Table`](/ja/models/tables/) に記録されます。
```python theme={null}
with wandb.init(project="ultralytics", job_type="train") as run:
# YOLOモデルを初期化する
model = YOLO("yolov8n.pt")
# UltralyticsにW&Bコールバックを追加する
add_wandb_callback(model, enable_model_checkpointing=True)
# モデルをトレーニング/ファインチューニングする
# 各エポックの終了時に、検証バッチの予測結果が
# コンピュータビジョンタスク向けのインタラクティブオーバーレイとともに
# W&Bの表にログされる
model.train(project="ultralytics", data="coco128.yaml", epochs=5, imgsz=640)
```
W\&B でトラッキングした Ultralytics のトレーニングまたはファインチューニングのワークフローの Experiments は、次のように表示されます。
YOLO ファインチューニング Experiments
各エポックの検証結果は、[W\&B Table](/ja/models/tables/) を使って次のように可視化されます。
WandB 検証可視化 Table
## 予測結果を可視化する
このセクションでは、[Ultralytics](https://docs.ultralytics.com/modes/predict/) モデルを推論に使用し、その結果を [W\&B](https://wandb.ai/site) で可視化する一般的なワークフローを紹介します。
Google Colab でコードを試すこともできます: [Colab で開く](https://wandb.me/ultralytics-inference).
このレポートでは、インテグレーションについても確認できます: [W\&B で Ultralytics を強化する](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
Ultralytics で W\&B インテグレーションを使用するには、`wandb.integration.ultralytics.add_wandb_callback` 関数を import する必要があります。
```python theme={null}
import wandb
from wandb.integration.ultralytics import add_wandb_callback
from ultralytics.engine.model import YOLO
```
インテグレーションのテスト用に、画像をいくつかダウンロードします。使用できるのは、静止画、動画、またはカメラ入力です。推論の入力ソースの詳細については、[Ultralytics docs](https://docs.ultralytics.com/modes/predict/)を参照してください。
```bash theme={null}
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img1.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img2.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img4.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img5.png
```
`wandb.init()` を使用して W\&B [run](/ja/models/runs/) を初期化します。次に、使用する `YOLO` モデルを初期化し、そのモデルで推論を実行する前に `add_wandb_callback` 関数を呼び出します。これにより、推論の実行時に、[コンピュータビジョンタスク向けのインタラクティブなオーバーレイ](/ja/models/track/log/media/#image-overlays-in-tables) が重ねられた画像が、追加のインサイトとともに [`wandb.Table`](/ja/models/tables/) に自動的にログされます。
```python theme={null}
# W&B runを初期化する
with wandb.init(project="ultralytics", job_type="inference") as run:
# YOLOモデルを初期化する
model = YOLO("yolov8n.pt")
# UltralyticsのW&Bコールバックを追加する
add_wandb_callback(model, enable_model_checkpointing=True)
# 予測を実行すると、バウンディングボックスやセグメンテーションマスクの
# インタラクティブオーバーレイとともにW&B Tableに自動的にログされる
model(
[
"./assets/img1.jpeg",
"./assets/img3.png",
"./assets/img4.jpeg",
"./assets/img5.jpeg",
]
)
```
トレーニングまたはファインチューニングのワークフローでは、`wandb.init()` を使って run を明示的に初期化する必要はありません。ただし、コードが予測のみを行う場合は、run を明示的に作成する必要があります。
インタラクティブな bbox オーバーレイは次のように表示されます。
WandB Image Overlay
詳細については、[W\&B image overlays ガイド](/ja/models/track/log/media/#image-overlays)を参照してください。
## その他の参考資料
* [W\&BでUltralyticsをさらに強化する](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
* [YOLOv8による物体検出: エンドツーエンドのワークフロー](https://wandb.ai/reviewco/object-detection-bdd/reports/Object-Detection-using-YOLOv8-An-End-to-End-Workflow--Vmlldzo1NTAyMDQ1)