Ultralytics YOLO-Depthとは何ですか？

Ultralytics YOLO-Depth は、単眼デプス推定のための YOLO26 モデルファミリーです。これは、1枚の一般的な RGB 画像から、メートル単位の高密度なピクセルごとのデプスマップを予測します。公式の事前学習済みチェックポイントは、YOLO26n-depth から YOLO26x-depth まで 5 つのサイズで利用可能です。

なぜ単眼深度推定が重要なのでしょうか？

深度は2D検出を3D理解へと変換します。障害物までの距離、物体の実際の大きさ、そしてシーンがどのように構成されているかを把握できます。標準的なカメラ1台でこれを実現することで、Lidarやステレオカメラシステムのコスト、キャリブレーション、統合の負担を回避でき、ロボティクス、モビリティ、日常的なカメラシステムにおいて空間認識の実用性が向上します。

YOLO26 デプスモデルは何を返しますか？

各予測は、入力画像にアライメントされた 1 つの高密度 float デプスマップを返します。これは result.depth.data を通じてアクセス可能です。値はメートル単位の距離を表し、3D 再構築、ナビゲーション、測定、または視覚化のために NumPy 配列に変換できます。結果の仕様に関する詳細は、デプス予測ガイドを参照してください。

独自のデータで YOLO-Depth を学習できますか？

はい。各 RGB 画像にメートル単位の float32 デプスマップを組み合わせて、標準の Ultralytics 学習モードを使用して事前学習済みの YOLO26-depth チェックポイントをファインチューニングできます。公式ガイドでは、公開済みの重みをカスタムのデプス領域に適応させる際、AdamW と低い学習率の使用を推奨しています。

YOLO26 デプスモデルをデプロイするにはどうすればよいですか？

エクスポートモードを使用して、YOLO26-depth チェックポイントを ONNX、TensorRT、CoreML、OpenVINO などの形式に変換します。その後、エクスポートされたモデルを、エッジ、モバイル、またはサーバーハードウェア上で、Ultralytics の予測ワークフローと同じ手順で実行できます。

Ultralytics YOLO

Ultralytics YOLO-Depth

1枚の RGB 画像から、可視領域の全表面までの距離を予測します。YOLO26 デプスモデルは、特殊なデプスセンサー、ステレオカメラ、Lidar を使用せずに、メトリックな 3D 空間認識を実現します。

Platform でデプス推定を開始デプス推定のドキュメントを探索

YOLO26 デプス推定モデル

YOLO26-depth モデルは、1枚の RGB 画像からメートル単位の高密度なデプス（深度）マップを予測します。5 種類のモデルサイズは、エッジデバイスへのデプロイから精度重視の空間解析まで幅広く対応しており、公開されている重みは、約 219 万枚の屋内および屋外画像で事前学習され、NYU Depth V2 Eigen テストセットで評価されています。

pip install ultralytics

from ultralytics import YOLO

# Load a YOLO26 depth model
model = YOLO("yolo26n-depth.pt")

# Predict metric depth at the model training resolution
results = model("image.jpg", imgsz=768)
depth_map = results[0].depth.data.cpu().numpy()

モデル	サイズ (px)	delta1	abs_rel	RMSE (m)	Params (M)	FLOPs (B)
YOLO26n-depth	768	0.882	0.109	0.414	6.4	46.9
YOLO26s-depth	768	0.896	0.104	0.399	13.2	67.9
YOLO26m-depth	768	0.921	0.089	0.364	23.3	130.7
YOLO26l-depth	768	0.930	0.083	0.351	27.7	157.2
YOLO26x-depth	768	0.933	0.080	0.344	57.0	302.0

NYU Depth V2 Eigen テストセットにおける YOLO26 デプス推定のベンチマーク。マルチスケールおよび水平反転の TTA と log-least-squares アライメントを適用。パラメータ数および FLOPs は 768 × 768 で測定。

世界をリードする組織から信頼されています

当社のモデルがもたらすインパクト

最先端のビジョンAIモデルで、業界全体のプロセスを効率化しましょう。Ultralyticsが提供するスピード、精度、使いやすさを実現します。

—

GitHubのスター数

—

ダウンロード数

—

1日あたりのUltralytics YOLO利用数

—

オープンソース貢献者

Ultralytics YOLOモデルの進化

実用的なYOLOv5ワークフローから、エッジ対応のYOLO26推論へとUltralytics YOLOがどのように進化したかをご覧ください。

2020年

Ultralytics YOLOv5

高速で実用的なPyTorchワークフローにより、リアルタイム物体検出を身近なものにしました。

2023年

Ultralytics YOLOv8

検出、セグメンテーション、分類、姿勢推定、OBBにわたる統一ワークフローを拡張。

2024年

Ultralytics YOLO11

おなじみのUltralyticsワークフローを維持しながら、精度、速度、効率を向上。

2026年

Ultralytics YOLO26

エンドツーエンドの推論を導入し、効率的なエッジデプロイメント向けに最適化されたアーキテクチャを実現しました。

Image annotation interface using smart segmentation to label an object.

スマートアノテーションでラベル付けを最大10倍高速化

Ultralytics Platformは、高品質なデータセットを迅速に構築するための画像アノテーションツールを提供します。スマートアノテーションから精密な手動編集まで、これらの機能は品質を犠牲にすることなく画像ラベル付けの時間を短縮するように設計されています。

SAM搭載のスマートアノテーション：ワンクリックでマスクとBBoxを作成。
あらゆるAIタスクに対応：Detection、instance segmentation、semantic segmentation、classification、pose、OBB。
ユニバーサルなフォーマットサポート：YOLO、COCOなどから自由に選択できます。
チームレビューとバージョン管理：あらゆるステップで明確なコラボレーションを実現。

最高のGPUでコストを抑えてトレーニング

AmpereからBlackwellまで、26種類のNVIDIA GPUを時給$0.24から利用可能。マークアップなし、最低利用料金なし、コミットメントなし。

Ampere

実績のあるデータセンターおよびワークステーション向けGPU

効率的な推論とリアルタイムAI

大規模トレーニング専用に構築

Blackwell新機能

最新世代、最高のパフォーマンス

どこへでもデプロイ

20種類のフォーマットへのエクスポートと、エッジ、クラウド、モバイルでのデプロイメントが可能です。

業界別ソリューションを探索

チームが本番環境でUltralyticsのコンピュータビジョンをどのように活用しているかをご覧ください。

よくある質問

Ultralytics YOLO-Depth は、単眼デプス推定のための YOLO26 モデルファミリーです。これは、1枚の一般的な RGB 画像から、メートル単位の高密度なピクセルごとのデプスマップを予測します。公式の事前学習済みチェックポイントは、YOLO26n-depth から YOLO26x-depth まで 5 つのサイズで利用可能です。
深度は2D検出を3D理解へと変換します。障害物までの距離、物体の実際の大きさ、そしてシーンがどのように構成されているかを把握できます。標準的なカメラ1台でこれを実現することで、Lidarやステレオカメラシステムのコスト、キャリブレーション、統合の負担を回避でき、ロボティクス、モビリティ、日常的なカメラシステムにおいて空間認識の実用性が向上します。
各予測は、入力画像にアライメントされた 1 つの高密度 float デプスマップを返します。これは result.depth.data を通じてアクセス可能です。値はメートル単位の距離を表し、3D 再構築、ナビゲーション、測定、または視覚化のために NumPy 配列に変換できます。結果の仕様に関する詳細は、デプス予測ガイドを参照してください。
はい。各 RGB 画像にメートル単位の float32 デプスマップを組み合わせて、標準の Ultralytics 学習モードを使用して事前学習済みの YOLO26-depth チェックポイントをファインチューニングできます。公式ガイドでは、公開済みの重みをカスタムのデプス領域に適応させる際、AdamW と低い学習率の使用を推奨しています。
エクスポートモードを使用して、YOLO26-depth チェックポイントを ONNX、TensorRT、CoreML、OpenVINO などの形式に変換します。その後、エクスポートされたモデルを、エッジ、モバイル、またはサーバーハードウェア上で、Ultralytics の予測ワークフローと同じ手順で実行できます。