yolo

Ultralytics YOLO

3 つの補完的なサーフェスで同じライフサイクルを実行できます。

• Ultralytics Platform — 最速のスタート: データをアップロードまたはクローンし、ブラウザでアノテーションを付け、クラウド GPU でトレーニングし、メトリクスを確認し、予測をテストし、エクスポートし、ローカル環境のセットアップなしで専用エンドポイントをデプロイできます。
• ultralytics パッケージ / yolo CLI — ローカルまたはリモートのコンピューティング、スクリプト、ノートブック、カスタムパイプライン、エクスポート済みアーティファクトを直接利用できます。
• ul CLI(Python 3.11+、ultralytics または ultralytics-platform によってインストール)— Platform API 自体をスクリプト化できます: ul cloud <resource> <operation> key=value で、ターミナルから Platform のリソースを一覧表示、作成、クローン、トレーニング、エクスポート、デプロイできます(platform-cli を参照)。

ul cloud train|predict|export は必要に応じてローカルの入力をアップロードし、Platform 上で実行します。トレーニングは投入後に戻ります。watch を追加すると、結果を追跡してダウンロードできます。ul cloud download は表示されたモデル URI を使用し、必要なら待機します。Ctrl-C はトレーニングをキャンセルせずに待機を停止します。これら 4 つのショートカットはすべて ultralytics がインストールされている必要がありますが、ul cloud <resource> <operation> コマンドには不要です。

ul cloud train model=yolo26n.pt data=ul://username/datasets/helmets epochs=100 project=helmets name=exp1 # → run URI and download command
ul cloud download model=ul://username/helmets/exp1                                                       # → weights/best.pt and results
ul cloud predict model=ul://username/helmets/exp1 source=video.mp4                                       # → annotated output
ul cloud export model=ul://username/helmets/exp1 format=onnx                                             # → downloaded artifact

これらを自由に組み合わせてください。ULTRALYTICS_API_KEY を設定し、Platform のデータセットを data=ul://username/datasets/dataset-slug として使用し、ローカルトレーニング中に project=username/project-slug name=experiment を設定すると、そのメトリクスが Platform にストリーミングされます。

yolo CLI と Python は 1 つの API を共有します。CLI の文法は yolo TASK MODE arg=value ... で、Python も同じ引数名を受け取ります。

yolo detect train data=data.yaml model=yolo26n.pt epochs=100 imgsz=640

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="data.yaml", epochs=100, imgsz=640)

• TASK ∈ detect segment semantic depth classify pose obb — 通常は重みから推論されるため、省略できます。
• MODE ∈ train val predict track export benchmark。
• インストール/アップグレード: pip install -U ultralytics。環境チェック: yolo checks。

ライフサイクル全体を 5 つのコマンドで

yolo detect train data=data.yaml model=yolo26n.pt epochs=100 # → runs/detect/train/weights/best.pt
yolo val model=best.pt data=data.yaml                        # mAP, per-class metrics
yolo predict model=best.pt source=video.mp4 save=True        # any source: image/dir/URL/RTSP/webcam
yolo track model=best.pt source=video.mp4                    # + persistent object IDs
yolo export model=best.pt format=onnx                        # exported model loads back into YOLO()

ライフサイクル全体を Platform で

1. Platform を開き、オンボーディング中にデータリージョンを選択します。
2. Explore から公開データセットをクローンするか、Annotate で新しいデータセットを作成し、画像、動画、アーカイブ、または NDJSON をアップロードします。
3. 全画面エディタでラベルを付けます。利用可能な場合は Smart モードで SAM または互換性のある YOLO モデルを使用します。
4. プロジェクトを作成し、New Model をクリックして、データセット、事前トレーニング済みモデル、GPU、エポック数を選択し、実行を監視します。
5. 完了したモデルの Predict、Export、または Deploy タブを使用します。

Platform クイックスタートから始めてください。Platform とパッケージの両方の詳細については、以下のステージスキルを使用してください。

コーディング前のルート確認

コードを書く前に、作業するステージのスキルを読んでください。各スキルはこのフォルダの兄弟フォルダ（../<skill>/SKILL.md）にあり、正確なフォーマット、デフォルト値付きの引数テーブル、レシピ、症状→修正のテーブルが含まれています。複数のステージにまたがるリクエスト（「トレーニングとデプロイ」）の場合は、関連する各スキルを読んでください。

作業内容	スキル
モデルファミリー/サイズ/タスクの選択、YOLO26 と YOLO11、YOLO-World/YOLOE、SAM、RT-DETR	yolo-models
data.yaml、ラベル、アノテーション変換、自動ラベリング、データセット分析/エラー、分割	yolo-datasets
トレーニング、ファインチューニング、ハイパーパラメータ、拡張、OOM / NaN / 低 mAP、実行結果の読み取り	yolo-training
ハイパーパラメータチューニング、Ray Tune、体系的なモデル改善、「autotraining」	yolo-tuning
画像/動画/ストリームでの予測、Results API、トラッキング ID、カウント/ヒートマップ/Solutions	yolo-inference
ONNX / TensorRT / CoreML / Core AI / OpenVINO / LiteRT / NCNN / NPU、量子化、ベンチマーク	yolo-export
ターミナルからの Platform API: ul cloud <resource> <operation> コマンド、ultralytics-platform、リソースへのスクリプトによる変更、trash、デプロイ、クラウド実行	platform-cli

CLI の詳細

特殊なコマンド（TASK/MODE なし）:

yolo help   # full syntax reference
yolo checks # env report: version, torch, CUDA, disk — run when anything is weird
yolo version
yolo settings # view; `yolo settings key=value` to set; `yolo settings reset`
# keys incl. datasets_dir, runs_dir, wandb, mlflow, tensorboard, ...
yolo cfg            # print every default argument (the ground truth for arg names)
yolo copy-cfg       # copy default.yaml → default_copy.yaml to customize, use with cfg=
yolo solutions help # prebuilt apps: count, heatmap, speed, ... (see yolo-inference)

重要な解析ルール:

• 引数は key=value 形式で、-- フラグはありません。先頭の -- と末尾のカンマは警告付きで除去され、= の周囲のスペースはマージされます。
• 単独のブール引数は True に設定されます: yolo predict ... show ≡ show=True。
• cfg=custom.yaml はファイルの値を読み込みます: その前後の CLI 引数が優先され、存在しないキーは組み込みのデフォルト値が使用されます（yolo copy-cfg から始めてください）。
• 不足している引数は警告付きで自動的に補完されます（サンプルソース、タスクのデフォルトの data/model、format=torchscript）。
• モデルのステムがアーキテクチャを選択します: rtdetr-* → RT-DETR、sam_*/sam2*/sam3*/mobile_sam → SAM、FastSAM-* → FastSAM、yolo_nas_* → NAS、yoloe-*/*-world* → プロンプト可能な YOLO（classes="person, bus" を受け付けます）、それ以外はすべて → YOLO。

グローバルディレクティブ

1. トレーニング前にデータセットを検証する — yolo-datasets でタスクに適したチェックを実行し、その後 1 エポックのスモークテストを行い、runs/<task>/train/train_batch0.jpg を確認します: アノテーションまたはターゲットが各画像と一致している必要があります。
2. 常に事前学習済みの .pt からファインチューニングする — ユーザーが明示的に研究を行っている場合を除き、pretrained=False や YAML アーキテクチャからのゼロからの学習は決して行わないでください。
3. 動画/ストリームには stream=True を使用する — Python の predict/track において、デフォルトのリストモードは長い動画で OOM になります。
4. トレーニング後は runs/<task>/<name>/weights/ から best.pt を使用する（last.pt ではなく）。
5. エクスポート後は同等性を検証する: エクスポートされた成果物を .pt ベースラインに対して yolo val で確認します。
6. カスタムコードよりも組み込み機能を優先する: データセットコンバーターとチェッカー（ultralytics.data）、トラッカー、Solutions モジュールは、手書きのグルーコードのカテゴリ全体を置き換えます。
7. 記憶よりもインストールされているバージョンを信頼する — 引数が拒否された場合、API が変更されています: yolo cfg とエラーテキストに有効な引数が一覧表示され、yolo checks でバージョンが表示されます。これらのスキル内のどのテーブルよりも、これらを優先してください。