概要
オープンソース物体認識のデファクトスタンダート・You Only Look Once（以降，YOLO）の正規第8版．YOLACTやYOLO-Xなどの派生系もあるので正規と表記した．これまでGithubリポジトリとして提供されてきたYOLOシリーズだが，このYOLOv8はPYPIパッケージとして提供されている．物体認識から派生して領域認識や個体認識も実行できる．
公式のGithubはこちら．
Githubトップページにはコマンドによる推論とPythonの学習プログラムが記載されている．
インストール
このコマンドでインストールが可能．公式のインストールガイドはこちら．
pip install ultralytics
要件はこの通り．
- Python≥3.7
- torch>=1.7
テスト
今回はコマンドを学習，推論，検証を実行してみる．
環境はGoogle ColabでURLはこちらである．
ただし，このままではNotImplementedError: A UTF-8 locale is required. Got ANSI_X3.4-1968というエラーが出るので，このコメントを参考にしてはじめに下記コードを打ち込む．
import locale
locale.getpreferredencoding = lambda: "UTF-8"
基本的な文法としてはこの通り
yolo TASK MODE ARGS
- yolo：コマンド名
- TASK：オブション引数でdetect，segment，classifyから選択する．与えなければモデルタイプから自動で判定してくれる
- MODE：train，val，predict，export，trackから選択する．今回はtrain，val，predictを実行する
- ARGS：その他の引数．公式DocsのConfigurationを参考にして必要なものを与える．今回は最低限の構成で実行する．
なお，実行するとコンソール出力の最後の方にResults saved to HOGEという出力がある．HOGEはディレクトリを指しておりHOGE以下ににコマンドの実行結果（モデルファイルなど）が格納されている．
今回は一貫して最低限動くことを確認するところまでをみていく．
-
学習
学習コマンドはこの通り．!yolo train data=coco128.yaml model=yolov8n.pt epochs=2- data：データファイルへのパス．ローカルになければ対応したものをダウンロードしてきてくれる．ultralytics/ultralytics/datasetsにダウンロード可能なデータファイルがある
- model：モデルファイルへのパス．pt形式の重みファイルかyaml形式のモデルファイルを与える．
- epochs：エポック数．デフォルトが100で，与えずに実行すると時間がかかるため，テスト用に2にしている
出力は
runs/detect/train/に保存される．重みファイルや学習データの推論の様子や検証データの推論の様子といった学習結果だけでなく，混同行列やROCカーブなどの精度評価が揃っている． -
推論
推論コマンドはこの通り．!yolo predict model="./runs/detect/train/weights/best.pt" source='https://ultralytics.com/images/bus.jpg'- model：重みファイルへのパス．ここでは上のコマンドで学習済みのモデルを与えてみた
- source：ソースディレクトリ，ソースファイルへのパス．画像と動画の両方に対応している．ここではultralyticsで用意しているバスの画像をダウンロードして使っている
出力は
runs/detect/predict/に画像や動画にアノテーションしたものが保存される． -
検証
!yolo val model="./runs/detect/train/weights/best.pt" data=coco128.yaml- model：重みファイルへのパス．ここでは上のコマンドで学習済みのモデルを与えてみた
- data：データファイルへのパス．ローカルになければ対応したものをダウンロードしてきてくれる．今回は学習データに合わせてcoco128にしてみた．
出力は
runs/detect/predict/に保存される．揃っているデータは検証データの推論の様子や混同行列，ROCカーブなどで．実は学習時に検証も走っているのでオーバーラップしている．なお，学習コマンドtrainにオプションval=Falseをつけると学習時には検証されない．