### YOLOv8 のクラスについて

* YOLOv8 は **学習済みの重み**によって、検出できるクラス(カテゴリ)が決まります。
* 公式で配布されている `yolov8n.pt`, `yolov8s.pt` などは **COCO データセット (COCO-2017, 80クラス)** で学習されています。
* つまり「何を検知できるか」は **モデルに埋め込まれているクラスラベルリスト**に依存します。

### 🔹 COCO の代表的なクラス(抜粋)

* 人物: `person`
* 車両: `car`, `truck`, `bus`, `motorbike`, `bicycle`
* 動物: `dog`, `cat`, `horse` など
* 家具・物体: `chair`, `sofa`, `tv`, `cell phone` など
  (全部で 80 種類)

### ✅ `allowed_classes` の意味

* これは **あなた側のフィルタ**です。
* YOLO は 80 クラスを全部返してきますが、その中で「車両だけ欲しい」ときに

  ```python
  allowed_classes = {"car", "truck", "bus", "motorbike", "bicycle"}
  ```

  としてフィルタリングします。

### 🔹 例

```python
detections = self.detector.detect(img)
detections = [d for d in detections if d.label in allowed_classes]
```

---

## 転移学習

YOLOv8 は **転移学習 (fine-tuning)** をサポートしていて、
COCOの80クラスとは別に、自分で定義したクラスで再学習させられます。
たとえば「細菌」や「顕微鏡画像の特定形状」なども検出対象にできます。

## 新しいクラスを学習する流れ(YOLOv8)

1. **データセットの用意**

* 画像ファイル(`.jpg`, `.png` など)
* アノテーション(バウンディングボックス付きラベル)を YOLO形式で準備

 ```
 <class_id> <x_center> <y_center> <width> <height>
 ```

    (座標は画像サイズで 0～1 に正規化)
* ディレクトリ構造の例：

```
dataset/
├─ images/
│    ├─ train/
│    └─ val/
└─ labels/
    ├─ train/
    └─ val/
```

1. **データ設定ファイルを作成**

* `bacteria.yaml` のような YAML を書く

```yaml
path: dataset
train: images/train
val: images/val

nc: 1            # クラス数
names: ['bacteria']
```

1. **学習を実行**

```bash
yolo detect train data=bacteria.yaml model=yolov8n.pt epochs=50 imgsz=640
```

* `yolov8n.pt` は小さいモデル(転移学習の出発点)
* `epochs=50` は繰り返し回数(データ量次第で増減)
* `imgsz=640` は入力画像サイズ

1. **学習済みモデルを使う**

```bash
yolo detect predict model=runs/detect/train/weights/best.pt source=your_test_image.jpg
```

* この `best.pt` が「細菌クラス専用モデル」になります

---

### 応用ポイント

* **複数クラス**も可能(例: `['bacteria', 'fungus', 'virus']`)
* **COCO + 自作データで再学習** → 汎用物体検知 + 特殊対象の両立もできる
* **顕微鏡画像**のように特殊なデータでも、十分なアノテーションがあれば対応可能


### 🔹 注意点

* 学習には **GPU環境**(Colab, Kaggle, 自前マシンなど)が必要
* データが少ない場合は、**転移学習**(小さいデータで fine-tuning)が特に効果的
* 正確なアノテーション(ラベル付け)が精度に直結します