a 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）

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】

  1. 前準備
  2. YOLOv8 のインストール（Windows 上）
  3. 物体検出の実行（YOLOv8 を使用）（Windows 上）
  4. 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 のインストール（Windows 上）

以下のコマンドを管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

REM VC++ ランタイム
winget install --scope machine --accept-source-agreements --accept-package-agreements --silent --id Microsoft.VCRedist.2015+.x64

REM Build Tools + Desktop development with C++（VCTools）+ 追加コンポーネント（一括）
winget install --id Microsoft.VisualStudio.2022.BuildTools ^
  --override "--passive --wait --add Microsoft.VisualStudio.Workload.VCTools --includeRecommended --add Microsoft.VisualStudio.Component.VC.Llvm.Clang --add Microsoft.VisualStudio.ComponentGroup.ClangCL --add Microsoft.VisualStudio.Component.VC.CMake.Project --add Microsoft.VisualStudio.Component.Windows11SDK.26100"

--add で追加されるコンポーネント

上記のコマンドでは，まず Build Tools 本体と Visual C++ 再頒布可能パッケージをインストールし，次に setup.exe を用いて以下のコンポーネントを追加している。

インストール完了の確認

winget list Microsoft.VisualStudio.2022.BuildTools

上記以外のコンポーネントが必要になった場合は Visual Studio Installer で個別にインストールできる。

Python 3.12 のインストール

以下のいずれかの方法で Python 3.12 をインストールする。

方法1：winget によるインストール

Python がインストール済みの場合、この手順は不要である。管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

winget install -e --id Python.Python.3.12 --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 AssociateFiles=1 InstallLauncherAllUsers=1"

--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動すると PATH が自動的に設定される。

方法2：インストーラーによるインストール

  1. Python 公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンから Windows 用インストーラーをダウンロードする。
  2. ダウンロードしたインストーラーを実行する。
  3. 初期画面の下部に表示される「Add python.exe to PATH」に必ずチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから python コマンドを実行できない。
  4. 「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。

インストールの確認

コマンドプロンプトで以下を実行する。

python --version

バージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。

Gitのインストール

以下のコマンドを管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。管理者権限は、wingetの--scope machineオプションでシステム全体にソフトウェアをインストールするために必要となる。

REM Git をシステム領域にインストール
winget install --scope machine --id Git.Git -e --silent --accept-source-agreements --accept-package-agreements
REM Git のパス設定
set "GIT_PATH=C:\Program Files\Git\cmd"
for /f "skip=2 tokens=2*" %a in ('reg query "HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment" /v Path') do set "SYSTEM_PATH=%b"
if exist "%GIT_PATH%" (
    echo "%SYSTEM_PATH%" | find /i "%GIT_PATH%" >nul
    if errorlevel 1 setx PATH "%GIT_PATH%;%SYSTEM_PATH%" /M >nul
)

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．

【関連する外部ページ】

PyTorch のインストール（Windows 上）

Windows 環境に PyTorch をインストールする手順を解説します．主に pip を使用する方法と Miniconda (conda) を使用する方法を紹介します．

1. 実行前の準備

インストール作業を行う前に，以下の準備と確認を行ってください．

2. PyTorch 公式サイトでのコマンド確認

【重要】 PyTorch のインストールコマンドは，OS，パッケージ管理ツール (pip/conda)，Python バージョン，CUDA バージョンによって異なります．必ず以下の PyTorch 公式サイトで，ご自身の環境に合った最新のインストールコマンドを確認・実行してください．

以下の手順で示すコマンドは，特定の環境（例: CUDA 11.8）における一例です．

3. pip を使用したインストール

Python 標準のパッケージ管理ツール pip を使用する方法です．

(1) pip の更新 (任意)

python -m pip install --upgrade pip

(2) 既存の PyTorch 関連パッケージのアンインストール (推奨)
古いバージョン等がインストールされている場合に実行します．

python -m pip uninstall torch torchvision torchaudio
# 必要に応じて torchtext, xformers などもアンインストール
# python -m pip uninstall torchtext xformers

(3) PyTorch のインストール
【注意】 必ず公式サイトで生成したコマンドを使用してください．以下は CUDA 11.8 環境向けの 一例 です．

# 公式サイトで取得した pip install コマンドを実行
# 例 (CUDA 11.8):
python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

(4) インストールの確認

python -c "import torch; print(f'PyTorch Version: {torch.__version__}'); print(f'CUDA Available: {torch.cuda.is_available()}')"

CUDA Available: True と表示されれば，GPU が正しく認識されています (GPU 環境の場合)．

4. Miniconda (conda) を使用したインストール

データサイエンス環境構築によく使われる Miniconda (または Anaconda) を使用している場合は，conda コマンドでもインストールできます．

注意点:
conda 環境では，PyTorch のような複雑な依存関係を持つライブラリの場合，pip よりも依存関係の問題が発生することがあります．問題が発生した場合は，pip を使用したインストール（セクション3）を試すことを検討してください．

(1) Miniconda Prompt (または Anaconda Prompt) の起動
管理者として実行で Miniconda Prompt を起動します．

(2) PyTorch のインストール
【注意】 必ず公式サイトで Package に Conda を選択し，生成されたコマンドを使用してください．以下は CUDA 11.8 環境向けの 一例 です．

# 公式サイトで取得した conda install コマンドを実行
# 例 (CUDA 11.8):
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

-c pytorch -c nvidia は，PyTorch と NVIDIA の公式 conda チャネルを指定しています．

(3) インストールの確認

python -c "import torch; print(f'PyTorch Version: {torch.__version__}'); print(f'CUDA Available: {torch.cuda.is_available()}')"

関連情報

【サイト内の関連ページ】

【関連する外部ページ】

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．

  1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
    2. 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．
  2. 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
  3. Windows で，コマンドプロンプトを実行
  4. 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
  5. 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
  6. 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

  1. Windows で，コマンドプロンプトを実行
  2. 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
  3. 実行結果は runs\detect\predict\labels ディレクトリに保存される
  4. 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

  1. Python プログラムの実行
    Python プログラムの実行環境：

    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
  2. 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．

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

  1. 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

  2. 「Download」 をクリックしてダウンロードを開始する
  3. 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
  4. archive.zip がダウンロードされる．
  5. 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．

  6. Windows でコマンドプロンプトを起動
  7. 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
  8. 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()
  9. 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
  10. 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()
  11. 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
  12. 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

  1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
    2. 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
  2. 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
  3. 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
  4. 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．

  1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
  2. 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
  3. 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
  4. 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