HongChuang/ultralytics-ascend
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions 3

Fix broken docs language links (#6323)

Browse source 
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher 2023-11-13 21:31:52 +01:00 • committed by GitHub
parent f767aa13ae
commit ec977f6ca7
No known key found for this signature in database
GPG key ID: 4AEE18F83AFDEB23
32 changed files with 139 additions and 126 deletions
Download patch file Download diff file Expand all files Collapse all files

10
docs/ja/quickstart.md
View file

@ -88,7 +88,7 @@ Ultralyticsはpip、conda、Dockerを含むさまざまなインストール方
## CLIでUltralyticsを使用
Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクを`yolo`コマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、[CLIガイド](../usage/cli.md)を参照してください。
Ultralyticsコマンドラインインターフェース（CLI）を使用すると、Python環境がなくても単一の行のコマンドを簡単に実行できます。CLIはカスタマイズもPythonコードも必要ありません。単純にすべてのタスクを`yolo`コマンドでターミナルから実行することができます。コマンドラインからYOLOv8を使用する方法について詳しくは、[CLIガイド](/../usage/cli.md)を参照してください。
!!! example
@ -102,7 +102,7 @@ Ultralyticsコマンドラインインターフェース（CLI）を使用する
MODE（必須）は[train, val, predict, export, track]のうちの1つ
ARGS（オプション）はデフォルトを上書きする任意の数のカスタム'arg=value'ペアです。
```
full [Configuration Guide](../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください
full [Configuration Guide](/../usage/cfg.md)または`yolo cfg`で全てのARGSを確認してください
=== "トレーニング"
@ -152,13 +152,13 @@ Ultralyticsコマンドラインインターフェース（CLI）を使用する
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` &nbsp; ❌
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` &nbsp; ❌
[CLIガイド](../usage/cli.md){ .md-button .md-button--primary}
[CLIガイド](/../usage/cli.md){ .md-button .md-button--primary}
## PythonでUltralyticsを使用
YOLOv8のPythonインターフェースを使用すると、Pythonプロジェクトにシームレスに統合し、モデルをロード、実行、出力を処理することが可能です。簡単さと使いやすさを念頭に設計されたPythonインターフェースにより、ユーザーは素早くプロジェクトに物体検出、セグメンテーション、分類を実装することができます。このように、YOLOv8のPythonインターフェースは、これらの機能をPythonプロジェクトに取り入れたいと考えている方にとって貴重なツールです。
たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、[Pythonガイド](../usage/python.md)を参照してください。
たとえば、ユーザーはモデルをロードして、トレーニングし、検証セットでのパフォーマンスを評価し、ONNX形式にエクスポートするまでの一連の処理を数行のコードで行うことができます。YOLOv8をPythonプロジェクトで使用する方法について詳しくは、[Pythonガイド](/../usage/python.md)を参照してください。
!!! example
@ -184,4 +184,4 @@ YOLOv8のPythonインターフェースを使用すると、Pythonプロジェ
success = model.export(format='onnx')
```
[Pythonガイド](../usage/python.md){.md-button .md-button--primary}
[Pythonガイド](/../usage/python.md){.md-button .md-button--primary}

2
docs/ja/tasks/classify.md
View file

@ -37,7 +37,7 @@ keywords: Ultralytics, YOLOv8, 画像分類, 事前トレーニングされた
## トレーニング
画像サイズ64で100エポックにわたってMNIST160データセットにYOLOv8n-clsをトレーニングします。利用可能な引数の完全なリストについては、[設定](../../usage/cfg.md) ページを参照してください。
画像サイズ64で100エポックにわたってMNIST160データセットにYOLOv8n-clsをトレーニングします。利用可能な引数の完全なリストについては、[設定](/../usage/cfg.md) ページを参照してください。
!!! example ""

2
docs/ja/tasks/detect.md
View file

@ -48,7 +48,7 @@ keywords: YOLOv8, Ultralytics, 物体検出, 事前訓練済みモデル, トレ
## トレーニング
YOLOv8nを画像サイズ640でCOCO128データセットに対して100エポックでトレーニングします。使用可能な引数の完全なリストについては、[設定](../../usage/cfg.md)ページをご覧ください。
YOLOv8nを画像サイズ640でCOCO128データセットに対して100エポックでトレーニングします。使用可能な引数の完全なリストについては、[設定](/../usage/cfg.md)ページをご覧ください。
!!! example ""

2
docs/ja/tasks/segment.md
View file

@ -48,7 +48,7 @@ keywords: yolov8, インスタンスセグメンテーション, Ultralytics, CO
## トレーニング
COCO128-segデータセットで、画像サイズ640でYOLOv8n-segを100エポックトレーニングします。利用可能な全ての引数については、[コンフィギュレーション](../../usage/cfg.md)ページを参照してください。
COCO128-segデータセットで、画像サイズ640でYOLOv8n-segを100エポックトレーニングします。利用可能な全ての引数については、[コンフィギュレーション](/../usage/cfg.md)ページを参照してください。
!!! example ""