物体検出，セグメンテーション，画像分類，物体検出の再学習と転移学習（YOLOv8，PyTorch，Python を使用）（Windows 上）

Windows上で，YOLOv8をインストールし，物体検出，セグメンテーション，画像分類の実行が可能である．インストールは公式のGitHubページの説明に従って行い，コマンドプロンプトで操作する．YOLOv8 に付属の物体検出の学習済みモデルは，COCOデータセットで学習され，yolov8n.ptなどから選ぶことができる．再学習のために必要となる画像データとアノテーションは，YOLO形式のオープンデータを用いることができる．そのとき，クラス番号を 80 やそれより大きい値に振り直す．そのためのPythonプログラムはこのページで提供している．再学習では，オプションを指定して実行する．

Yolo v8 による物体検出，セグメンテーション，画像分類

道路標識のデータを用いて学習を継続．その後，物体検出を実行．

【目次】

前準備
YOLOv8 のインストール（Windows 上）
物体検出の実行（YOLOv8 を使用）（Windows 上）
YOLO形式のオープンデータを用いて，新しいクラスの物体検出ができるように再学習，転移学習

前準備

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）または Visual Studio 2022 のインストール（Windows 上）

CUDAツールキットは、GPU上でコードをコンパイルするためにC++コンパイラを必要とします。そのため、事前にMicrosoft C++ Build Tools または Visual Studio (C++開発ワークロードを含む) をインストールしておく必要があります。

【インストールの判断】 Build Tools for Visual Studio は，C++コンパイラなどを含む開発ツールセットです． Visual Studio は統合開発環境であり，いくつかのエディションがあり，Build Tools for Visual Studioの機能を含むか連携して使用します．インストールは以下の基準で判断してください：

コマンドラインからのビルドなど、C++コンパイラ機能のみが必要な場合:
Build Tools for Visual Studio のインストールを行います．
Visual Studioのエディタやデバッガなどの統合開発環境機能が必要な場合、あるいは、どちらをインストールすべきかよく分からない場合:
Visual Studio Community (または他のエディション) をインストールします．

Visual Studio 2022 をインストールする際に，「C++ によるデスクトップ開発」ワークロードを選択することで，必要なBuild Toolsの機能も一緒にインストールされます．

不明な点がある場合は，Visual Studio 全体をインストールする方が、後で機能を追加する手間が省ける場合があります．

Build Tools for Visual Studio 2022 のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動します（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）。
以下のwingetコマンドを実行します。wingetはWindows標準のパッケージマネージャーです。

--scope machine オプションはシステム全体にインストールすることを意味します。

次のコマンドは，Build Tools for Visual Studio 2022と、多くのプログラムで必要とされるVC++ 2015以降の再頒布可能パッケージをインストールします．
winget install --scope machine Microsoft.VisualStudio.2022.BuildTools winget install --scope machine Microsoft.VCRedist.2015+.x64
Build Tools for Visual Studio 2022 で C++ によるデスクトップ開発関連コンポーネントのインストール
CUDA開発には、標準のC++開発ツールに加えて、特定のコンポーネントが必要になる場合があります。
1. Visual Studio Installer を起動します。
  起動方法: スタートメニューから「Visual Studio Installer」を探して実行します．
2. Visual Studio Build Tools 2022 の項目で「変更」ボタンをクリックします．
3. 「ワークロード」タブで「C++ によるデスクトップ開発」をクリックして選択します。画面右側の「インストールの詳細」で、必要に応じて「v143 ビルドツール用 C++/CLI サポート（最新）」、「ATL」、「MFC」などをチェックします（これらは一般的なC++開発や特定のプロジェクトタイプで必要になる場合があります）。その後、「変更」をクリックしてインストールまたは変更を適用します．

Visual Studio Community 2022 のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動します。
インストールコマンドの実行
以下のwingetコマンドを実行します。--override "--add ..." 部分で、インストールするワークロードやコンポーネントを指定しています。
winget install Microsoft.VisualStudio.2022.Community --scope machine --override "--add Microsoft.VisualStudio.Workload.NativeDesktop Microsoft.VisualStudio.ComponentGroup.NativeDesktop.Core Microsoft.VisualStudio.Component.VC.CLI.Support Microsoft.VisualStudio.Component.CoreEditor Microsoft.VisualStudio.Component.NuGet Microsoft.VisualStudio.Component.Roslyn.Compiler Microsoft.VisualStudio.Component.TextTemplating Microsoft.VisualStudio.Component.Windows.SDK.Latest Microsoft.VisualStudio.Component.VC.Tools.x86.x64 Microsoft.VisualStudio.Component.VC.ATL Microsoft.VisualStudio.Component.VC.ATLMFC" winget install Microsoft.VisualStudio.2022.Community --scope machine Microsoft.VCRedist.2015+.x64
インストールされる主要なコンポーネントの説明：
- NativeDesktop (C++によるデスクトップ開発): CUDA開発に必要なC++コンパイラ(VC.Tools.x86.x64)やWindows SDK (Windows.SDK.Latest)など、基本的な開発ツール一式を含みます。
- CoreEditor: Visual Studioの基本的なコードエディタ機能を提供します。
- VC.CLI.Support: C++/CLIを用いた開発サポート（通常、純粋なCUDA C++開発では不要な場合もあります）。
- NuGet: .NETライブラリ管理用（C++プロジェクトでも利用されることがあります）。
- VC.ATL / VC.ATLMFC: 特定のWindowsアプリケーション開発フレームワーク（通常、CUDA開発自体には直接必要ありません）。
システム要件と注意事項：
- 管理者権限でのインストールが必須です。
- 必要ディスク容量：10GB以上（選択するコンポーネントにより変動）。
- 推奨メモリ：8GB以上のRAM。
- インストール過程でシステムの再起動が要求される可能性があります。
- 安定したインターネット接続環境が必要です。
後から追加のコンポーネントが必要になった場合は，Visual Studio Installerを使用して個別にインストールすることが可能です．
インストール完了の確認
インストールが成功したか確認するには、管理者権限のコマンドプロンプトで以下のコマンドを実行します。
winget list Microsoft.VisualStudio.2022.Community
リストに表示されればインストールされています。

トラブルシューティング：

インストール失敗時は，以下のログファイルを確認すると原因究明の手がかりになります：
%TEMP%\dd_setup_.log %TEMP%\dd_bootstrapper_.log
( は実行日時に対応する文字列)
(オプション) Visual Studio Installer での確認と変更
wingetでのインストール後も、Visual Studio Installerを使ってインストール内容を確認・変更できます。
1. Visual Studio Installer を起動します。
2. Visual Studio Community 2022 の項目で「変更」をクリックします。
3. 「ワークロード」タブで「C++ によるデスクトップ開発」がチェックされていることを確認します。必要であれば、「個別のコンポーネント」タブで特定のツール（例: 特定バージョンのMSVCコンパイラ、CMakeツールなど）を追加・削除できます。「インストールの詳細」で「v143 ビルドツール用 C++/CLI サポート（最新）」などが選択されているかも確認できます。変更後、「変更」または「インストール」をクリックします。

Python 3.10，Git のインストール（Windows 上）

Pythonは，プログラミング言語の１つ． Gitは，分散型のバージョン管理システム．

【手順】

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
次のコマンドを実行
次のコマンドは，Python ランチャーとPython 3.10とGitをインストールし，Gitにパスを通すものである．
次のコマンドでインストールされるGitは「git for Windows」と呼ばれるものであり， Git，MinGW などから構成されている．
winget install --scope machine Python.Launcher winget install --scope machine Python.Python.3.10 winget install --scope machine Git.Git powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\Git\cmd\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"

【関連する外部ページ】

Python の公式ページ: https://www.python.org/
Git の公式ページ: https://git-scm.com/

【サイト内の関連ページ】

Python詳細ガイド：別ページ »

【関連項目】 Python, Git バージョン管理システム, Git の利用

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

【サイト内の関連ページ】 NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．

Windows での Build Tools for Visual Studio 2022 のインストール: 別ページ »で説明
Windows での NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN v8.9.7 のインストール手順: 別ページ »で説明

【関連する外部ページ】

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）の公式ダウンロードページ: https://visualstudio.microsoft.com/ja/visual-cpp-build-tools/
NVIDIA ドライバのダウンロードの公式ページ: https://www.nvidia.co.jp/Download/index.aspx?lang=jp
NVIDIA CUDA ツールキットのアーカイブの公式ページ: https://developer.nvidia.com/cuda-toolkit-archive
NVIDIA cuDNN のダウンロードの公式ページ: https://developer.nvidia.com/cudnn

PyTorch のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
PyTorch のページを確認
PyTorch の公式ページ: https://pytorch.org/index.html
次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．
次のコマンドを実行することにより， PyTorch 2.3 （NVIDIA CUDA 11.8 用）がインストールされる．但し，Anaconda3を使いたい場合には別手順になる．
事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．
PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．
python -m pip install -U --ignore-installed pip python -m pip uninstall -y torch torchvision torchaudio torchtext xformers python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118 python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し，次のコマンドを実行する．（PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）．
conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia py -c "import torch; print(torch.__version__, torch.cuda.is_available())"
【サイト内の関連ページ】
- Windows での PyTorch のインストール: 別ページ »で説明
【関連する外部ページ】
- PyTorch の公式ページ: https://pytorch.org/index.html

YOLOv8 のインストール（Windows 上）

YOLOv8 の公式の GitHub リポジトリ https://github.com/ultralytics/ultralytics に従ってインストールを実施する．

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

コマンドプロンプトを管理者として実行する方法については，別ページ »を参照してください．

必要なパッケージのインストールおよびソースコードのダウンロード

python -m pip install -U pillow wandb clearml comet_ml
cd /d c:%HOMEPATH%
rmdir /s /q ultralytics
git clone -b main https://github.com/ultralytics/ultralytics
python -m pip install -qe ultralytics
icacls ultralytics /grant Everyone:F /T

Windows で，コマンドプロンプトを実行
物体検出機能の実行
YOLOv8 の公式 GitHub リポジトリ https://github.com/ultralytics/ultralytics の手順に従って実施する．
実行結果は runs\detect\predict\bus.jpg に保存される．なお，predictは実行のたびに predict2，predict3 のように変更する必要がある．
物体検出の学習済みモデルには， yolov8n.pt， yolov8s.pt， yolov8m.pt， yolov8l.pt， yolov8x.pt が用意されている．これらはすべて COCO データセットで学習済みのモデルである．詳細については公式ページの https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml を参照のこと．
yolov8n.ptを使用する場合：
cd /d c:%HOMEPATH%\ultralytics rmdir /s /q runs\detect\predict yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True runs\detect\predict\bus.jpg
yolov8x.ptを使用する場合：
cd /d c:%HOMEPATH%\ultralytics rmdir /s /q runs\detect\predict yolo predict model=yolov8x.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True runs\detect\predict\bus.jpg

セグメンテーション機能の実行

公式ドキュメント https://docs.ultralytics.com/tasks/segment/ の手順に従って実施する．

yolov8n-seg.ptを使用する場合：

cd /d c:%HOMEPATH%\ultralytics
rmdir /s /q runs\segment\predict
yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True
runs\segment\predict\bus.jpg

yolov8x-seg.ptを使用する場合：

cd /d c:%HOMEPATH%\ultralytics
rmdir /s /q runs\segment\predict
yolo segment predict model=yolov8x-seg.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True
runs\segment\predict\bus.jpg

画像分類機能の実行

公式ドキュメント https://docs.ultralytics.com/tasks/classify/ の手順に従って実施する．

yolov8n-cls.ptを使用する場合：

cd /d c:%HOMEPATH%\ultralytics
rmdir /s /q runs\classify\predict
yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True
runs\classify\predict\bus.jpg

yolov8x-cls.ptを使用する場合：

cd /d c:%HOMEPATH%\ultralytics
rmdir /s /q runs\classify\predict
yolo classify predict model=yolov8x-cls.pt source='https://ultralytics.com/images/bus.jpg' exist_ok=True
runs\classify\predict\bus.jpg

物体検出の実行（YOLOv8 を使用）（Windows 上）

参考Webページ：https://colab.research.google.com/github/roboflow-ai/notebooks/blob/main/notebooks/train-yolov8-object-detection-on-custom-dataset.ipynb#scrollTo=FDbMt_M6PiXb

コマンドラインでの実行

Windows で，コマンドプロンプトを実行
以下のコマンドで物体検出を実行
「source='https://media.roboflow.com/notebooks/examples/dog.jpeg'」の部分は，任意のファイル名やURLを指定可能．
物体検出の学習済みモデルには， yolov8n.pt， yolov8s.pt， yolov8m.pt， yolov8l.pt， yolov8x.pt が用意されている．これらはすべて COCO データセットで学習済みのモデルである．詳細については公式ページの https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml を参照のこと．
yolov8x.ptを使用する場合：
cd /d c:%HOMEPATH%\ultralytics rmdir /s /q runs\detect\predict yolo task=detect mode=predict model=yolov8x.pt conf=0.25 source='https://media.roboflow.com/notebooks/examples/dog.jpeg' save=True save_txt=True exist_ok=True runs\detect\predict\dog.jpeg
実行結果は runs\detect\predict\labels ディレクトリに保存される
そのディレクトリ内のファイルを確認
１列目はクラス番号，２列目から５列目はバウンディングボックスの座標データとなる．

Python プログラムによる物体検出結果の取得

Python プログラムの実行
Python プログラムの実行環境：
- Windows では python （Python ランチャーは py）
- Ubuntu では python3
Python 開発環境（Jupyter Qt Console， Jupyter ノートブック (Jupyter Notebook)， Jupyter Lab， Nteract， Spyder， PyCharm， PyScripterなど）も利用可能．
Python の詳細については：別ページ »を参照
python
以下の Python プログラムで物体検出結果を取得可能．
yolov8x は COCO データセットで学習済みのモデルである．物体検出の学習済みモデルには， yolov8n.pt， yolov8s.pt， yolov8m.pt， yolov8l.pt， yolov8x.pt が用意されている．これらはすべて COCO データセットで学習済みのモデルである．詳細については公式ページの https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml を参照のこと．
from ultralytics import YOLO model = YOLO("yolov8x.pt") # 学習済みモデルの読み込み（学習時に推奨） results = model.predict(source='https://media.roboflow.com/notebooks/examples/dog.jpeg', conf=0.25) for i in results: print(i.boxes.xyxy) print(i.boxes.cls) exit()

YOLO形式のオープンデータを用いた新規クラス物体検出のための再学習・転移学習

【再学習】

再学習（Fine-tuning）とは，大量のデータで事前学習済みのモデルを活用して新しい課題に適応させる手法である．オブジェクト検出において，再学習により事前学習時に含まれていなかった新規クラス（物体カテゴリ）の検出が可能となる．事前学習済みモデルはすでに特徴抽出能力を獲得しているため，比較的少量のデータで効率的に新規タスクを学習できる特徴がある．再学習プロセスでは，事前学習済みモデルの重みとバイアスを活用し，新規タスクのデータで調整することでモデルの能力を拡張する．この手法により，ランダムな初期値からの学習と比較して，より効率的な学習が実現できる．

【転移学習】

転移学習（Transfer Learning）は，事前学習済みモデルを活用する機械学習の先進的手法である．この手法では，事前学習済みモデルの最終層以外の層における重みとバイアスを固定し，最終層のみを新規タスクに合わせて再学習する．最終層以外のパラメータを固定することで，調整が必要なパラメータ数を大幅に削減し，以下の利点を実現する．

学習時間の短縮：調整対象パラメータの削減により，学習時間を大幅に短縮できる．これは限られた計算リソースやデータ量での学習に特に有効である．
過学習の防止：事前学習済みモデルの知識を活用することで，学習データへの過度な適合を抑制し，汎化性能を向上させる．
少量データでの学習：事前学習済みモデルの特徴抽出能力を活用することで，必要なデータ量を削減できる．これはデータ収集が困難な状況で特に効果を発揮する．

転移学習は，画像分類，自然言語処理，音声認識など，幅広い分野で実践的な成果を上げている．

再学習用のデータの準備

画像データと物体検出のためのアノテーションデータとして，クラス名とバウンディングボックスのデータを使用する．この目的のために，YOLO形式のオープンデータであるTraffic Signs Datasetを活用する．

Traffic Signs Dataset をダウンロードし，次の処理を実施した上で学習を実行する

クラス番号のうち 0から 79は COCOデータセットで使用される番号であるため， Traffic Signs Dataset では，80, 81, 82, 83 を使用する．

Traffic Signs Dataset は，0, 1, 2, 3 を使用しても学習は可能であるが， COCOデータセットとの混同を防ぐため，80, 81, 82, 83 を使用する．
Traffic Signs Dataset のデータセットを，train（学習）データと validation（検証）データに分割する

ファイルは次のディレクトリ構成で配置する．

   ├── images/
      ├─train/
      └─val/
   ├── labels/
      ├─train/
      └─val/

画像の横幅を統一する．本実装では，640にリサイズしている．

Traffic Signs Dataset in YOLO format のページにアクセスする
https://www.kaggle.com/datasets/valentynsichkar/traffic-signs-dataset-in-yolo-format?resource=downloa
「Download」をクリックしてダウンロードを開始する
Kaggleへの登録もしくはGoogle アカウントでのサインインが要求された場合は，画面の指示に従って処理を進める．その後，再度「Download」をクリック
archive.zip がダウンロードされる．
C:\archive ディレクトリを作成し，archive.zip をこのディレクトリ内に展開する．
次のように配置する．
Windows でコマンドプロンプトを起動
以下のコマンドでカレントディレクトリを「C:\archive」に移動し，python を起動
cd C:\archive\ts python

Pythonプログラムを実行する

このプログラムは，"ts/ts/"ディレクトリ内の900個のテキストファイル（"00000.txt"から"00899.txt"）を処理する． 各ファイルの全行において，最初の列からクラス番号（0, 1, 2, 3）を抽出し，その値が80未満の場合，80を加算してファイルに書き戻す．ファイルが存在しない場合，エラーメッセージを出力する．

def update_class_number(filename):
    with open(filename, "r", encoding="utf-8") as file:
        lines = file.readlines()
    updated_lines = []
    for line in lines:
        parts = line.strip().split()
        if len(parts) >= 5:
            class_number = int(parts[0])
            # もともとのクラス番号 (class_number) は 0, 1, 2, 3 である。80を加えて，元のファイルのクラス番号を更新する
            if class_number < 80:
                updated_class_number = class_number + 80
                x1, y1, x2, y2 = map(float, parts[1:])
                updated_line = f"{updated_class_number} {x1} {y1} {x2} {y2}\n"
                updated_lines.append(updated_line)
            else:
                updated_lines.append(line)
        else:
            updated_lines.append(line)
    with open(filename, "w", encoding="utf-8") as file:
        file.writelines(updated_lines)

file_not_found = False
for i in range(0, 900):
    # 00000.txt から 00899.txt まで
    filename = f"ts/{i:05}.txt"
    try:
        update_class_number(filename)
        # 確認表示
        with open(filename, "r", encoding="utf-8") as file:
            first_line = file.readline().strip()
            print(f"filename: {filename} , {first_line}")
    except FileNotFoundError:
        print(f"{filename} が見つかりませんでした")
        file_not_found = True

exit()

処理完了の確認

このプログラムの実行により，クラス番号を 80, 81, 82, 83 に変更する．
各クラス番号に対応するクラス名は，ファイル c:\archive\classes.names に記載されており，以下の通りである．
```
80, prohibitory
81, danger
82, mandatory
83, other
```

画像の幅を640にリサイズする

まず，以下のコマンドを実行

cd c:\archive\ts\ts
python

次のPythonプログラムを実行する

from PIL import Image
import os

# 新しい幅
new_width = 640

# カレントディレクトリ内のすべてのファイル
for filename in os.listdir('.'):
    # .jpgファイルのみを処理
    if filename.endswith('.jpg'):
        print(f"{filename} を変換")
        with Image.open(filename) as img:
            # アスペクト比を保持した高さを計算
            aspect_ratio = new_width / img.width
            new_height = int(img.height * aspect_ratio)
            # リサイズ
            resized_img = img.resize((new_width, new_height))
            # 元のファイルを上書き
            resized_img.save(filename)

exit()

検証用のディレクトリを作成し，指定のファイルを移動する．

mkdir c:\archive\ts\ts\images
mkdir c:\archive\ts\ts\images\train
mkdir c:\archive\ts\ts\images\val
mkdir c:\archive\ts\ts\labels
mkdir c:\archive\ts\ts\labels\train
mkdir c:\archive\ts\ts\labels\val
cd c:\archive\ts\ts
move *1.txt labels\val
move *1.jpg images\val
move *.txt labels\train
move *.jpg images\train
icacls c:\archive\ts /grant Everyone:F /T

データセット設定ファイル ts.yaml を作成する

エディタを起動する

cd /d c:%HOMEPATH%
cd ultralytics
notepad ts.yaml

エディタで以下の内容を記述し保存する．

names は 84 個の文字列で構成されるリストである．最初の 80 個は COCO データセットのクラス名，残りの 4 個は，これから学習を実施するデータセットのクラス名となる．

path: c:/archive/ts/ts
train: images/train
val: images/val
nc: 84
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush
  80: prohibitory
  81: danger
  82: mandatory
  83: other

再学習の実行

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）する

コマンドプロンプトを管理者として実行する方法: 別ページ »を参照
再学習を実行する
GPU 使用時は，以下のコマンドを実行する．
処理時間の目安は10分から数十分程度である．
cd /d c:%HOMEPATH% cd ultralytics yolo task=detect mode=train data=ts.yaml model=yolov8x.pt epochs=30 imgsz=640 verbose=True exist_ok=True rect=True
実行後，「pretrained=True」と表示されるので，yolov8x.pt の学習結果が利用されていることが確認できる．
このとき，次のように「Enter your choice」と表示された場合は 3, Enter と操作する．
なお，GPU を使わないときは，次のように「device=cpu」を付ける．このときは，実行に10時間ほどかかる．
cd /d c:%HOMEPATH% cd ultralytics yolo task=detect mode=train data=ts.yaml model=yolov8x.pt epochs=30 imgsz=640 verbose=True exist_ok=True rect=True device=cpu
再学習の終了の確認
このとき，結果が保存されているディレクトリを確認する．最後のところに「Results saved to runs\detect\...」のように表示されるので確認

dir コマンドでファイルを結果を確認．
dir runs\detect\train dir runs\detect\train\weights

学習したデータで物体検出してみる

「runs/detect/train」のところには，先ほど確認した「結果が保存されているディレクトリ」である．

yolo predict model=./runs/detect/train/weights/best.pt source='c:/archive/ts/ts/images/val/00001.jpg' save=True save_txt=True show=True exist_ok=True
runs\detect\predict\00001.jpg

転移学習の実行

学習時に「freeze=22」の設定をつけることで，転移学習を行うことができる．

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
転移学習の実行
GPU を使うときは，次のように実行する．
実行にかかる時間の目安は10分から数十分である．
cd /d c:%HOMEPATH% cd ultralytics yolo task=detect mode=train data=ts.yaml model=yolov8x.pt epochs=30 imgsz=640 verbose=True exist_ok=True rect=True freeze=22
実行後，「pretrained=True」と表示されるので，yolov8x.pt の学習結果が利用されていることが確認できる．

このとき，次のように「Enter your choice」と表示された場合は 3, Enter と操作する．
なお，GPU を使わないときは，次のように「device=cpu」を付ける．このときは，実行に10時間ほどかかる．
cd /d c:%HOMEPATH% cd ultralytics yolo task=detect mode=train data=ts.yaml model=yolov8x.pt epochs=30 imgsz=640 verbose=True exist_ok=True rect=True device=cpu freeze=22
転移学習の終了の確認
このとき，結果が保存されているディレクトリを確認する．最後のところに「Results saved to runs\detect\...」のように表示されるので確認

dir コマンドでファイルを結果を確認．
dir runs\detect\train dir runs\detect\train\weights

学習したデータで物体検出してみる

「runs/detect/train」のところには，先ほど確認した「結果が保存されているディレクトリ」である．

yolo predict model=./runs/detect/train/weights/best.pt source='c:/archive/ts/ts/images/val/00001.jpg' save=True save_txt=True show=True exist_ok=True
runs\detect\predict\00001.jpg