111 lines
3.3 KiB
Markdown
111 lines
3.3 KiB
Markdown
|
||
### 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
|