はじめに

• YOLOv8の導入テストがしたい！

• 多くの記事がgoogle colaboratoryを使用しているが、
  ノートPCでも使えるか確認したい

• git非搭載のPCでも簡単に導入したい

使用するPCのスペックとOSのバージョン

0. 仮想環境の作成（pyenv+venv）

※仮想環境使わない人は、そのまま1.へ進んで下さい　
　Pythonは3.7.9にしてます

1. YOLOv8の導入

なんと、pipで導入できます。　便利！！
これなら、gitを入れてない人でも簡単に導入できますね！！
念のためpipの更新もお忘れなく！

pip install --upgrade pip
pip install ultralytics

2. 学習済みモデルの入手

学習済みモデルをダウンロードします
（3/16追記）YOLOコマンド実行時にptファイルがなかった場合、自動でダウンロードされるようです…この手順不要じゃん…

ダウンロード先
GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite

3. 推論を実行する

まず前提知識ですが、YOLOv8は３つのタスクができます

• detection　：　画像の「どこに」「何が」映っているか？

• segmentation　：　画像の「どの領域に」「何が映っているか？

• classification　：　この画像は「何の画像」だと予想されるか？

順番に実行して、結果を確認していきましょう！

3.1 detection

Web上のbus.jpgの画像に対して、detectionを実行します
※ここでエラーが出た人は、ex.推論実行時にエラーが出た場合　を参照下さい

yolo task=detect mode=predict model=yolov8x.pt source="https://ultralytics.com/images/bus.jpg" save=True save_txt save_conf

3.2 segmentation

task=segment, model=yolov8x-seg.pt（セグメンテーション用のモデル）を指定する
（sourceでPC内の画像PATH（./bus.jpg）を指定することで、PC内の画像を判定できる）

yolo task=segment mode=predict model=yolov8x-seg.pt source="./bus.jpg" save=True save_txt save_conf

3.3 classification

クラス分類もtask=classify, model=yolov8x-cls.pt(クラス分類用モデル）を指定すれば、実行できます。

yolo task=classify mode=predict model=yolov8x-cls.pt source="./" save=True save_txt save_conf

まとめ

• YOLOv8の導入を行った

• ３つのタスク（detection, segmentation, classification）を実行し
  それぞれの出力画像とlabel内容を確認した

• PC環境によってはVC_redistの導入が必要な場合がある（後述）

ここまで小１時間程度でできたため、ほんとに手軽になりましたね！！
今度は各モデルの学習・評価や、python上でimportしての使い方についてまとめたいと思います

参考URL

• GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite

• YOLOv8でDetection, Classification, Segmentationモデルを学習してみた - Qiita

ex. 推論実行時にエラーが出た場合…

PCの環境によっては、エラーで落ちます

エラー文を読むと、『Microsoft Visual C++ Redistributable』なるものを入れろと書かれている（丁寧にURLまで記載されておる…）

VC_redistの導入

というわけで、エラー文に記載されたURLへアクセスすると、『VC_Redist.x64.exe』が自動でダウンロードされるので、実行します

https://aka.ms/vs/17/release/vc_redist.x64.exe

導入できたら、3. 推論を実行する　へ戻って実行してみてください。

以上。