Ultralytics YOLOモデルで動画内の移動物体を追跡するためのガイド

電気部品を組み立てるロボット、速度超過の車を検知するシステム、顧客の買い物行動を追跡するスマートリテールソリューション。こうした技術革新はすべて、コンピュータービジョンを活用しています。コンピュータービジョンは人工知能（AI）の一分野で、機械が画像や動画を分析し、理解できるようにします。

たとえばロボットは、部品を正しく組み立てるために、さまざまな部品を認識して追跡する必要があります。同様に、交通システムはコンピュータービジョンを使って車を検出し、ナンバープレートを読み取り、速度超過を特定できます。一方、店舗ではVision AIを使って、顧客が何を見たり手に取ったりしているかを追跡し、在庫を監視することもできます。

こうしたアプリケーションは、幅広い視覚タスクに対応するUltralytics YOLO11のようなコンピュータービジョンモデルを活用しています。これらのタスクの多くは単一画像から情報を得ることに重点を置いていますが、特に興味深いタスクの一つである物体追跡では、一連の画像や動画フレームにわたって物体の動きを追跡できます。

図1. 車を検出・追跡する例。

このガイドでは、物体追跡の仕組みを詳しく解説し、実環境での活用例を紹介します。また、Ultralytics YOLO11などのビジョンAIモデルが物体追跡をどのように支援するかについても説明します。

コンピュータービジョン追跡システムを詳しく見る#

物体追跡は、動画フレームにわたって物体の動きを追跡し、システムが時間の経過に伴う変化を監視・理解できるようにするコンピュータービジョンタスクです。これは、人が目で動く人物や物体を自然に追いかける様子によく似ています。たとえばテニスの試合を観戦するとき、コート上を左右に動くボールを目で追うようなものです。

同様に、物体追跡ではカメラとAIを使って、ボールの動きをリアルタイムで追跡します。この技術により、自宅で観戦する人々は試合の流れをより深く理解できます。特に、速度、軌道、選手の位置といった分析情報が役立ちます。

こうした視覚的な追跡は人間には簡単に思えるかもしれませんが、マシンビジョンでは、Vision AIモデルを活用した一連の手順が必要です。物体追跡の仕組みを簡単に説明します。

• 動画の撮影: カメラで動画を撮影し、時間の経過に伴うシーン内の物体の動きを記録します。
• 物体の検出: YOLO11のようなAI搭載のコンピュータービジョンモデルは、各フレームを分析して人物、車両、製品などの特定の物体を識別し、位置を特定できます。
• IDの割り当て: オブジェクトが検出されると、トラッキングアルゴリズムが一意のIDを割り当て、複数のフレームにわたって追跡します。これにより、オブジェクトが移動しても、システムは同じオブジェクトであると認識できます。
• 動きの監視: システムは時間の経過に伴う動きを追跡します。このデータを使って、速度や方向、他のオブジェクトとの相互作用などの情報を収集できます。
• インサイトの生成: この情報をリアルタイムで活用することで、分析情報の提供や意思決定の支援、ユースケースに応じた視覚的なオーバーレイの表示が可能になります。

YOLOによる物体検出とトラッキングの比較#

物体トラッキングに密接に関連する、Ultralytics YOLO11がサポートするもう1つのコンピュータービジョンタスクは、物体検出です。この2つのタスクの違いを見ていきましょう。

物体検出では、1枚の画像または動画フレーム内の対象オブジェクトを識別し、位置を特定します。たとえば、自動運転車は、車載カメラで撮影した1つのフレームから一時停止標識や歩行者を認識するために物体検出を使用します。物体検出が答えるのは、「この画像には何が写っていて、どこにあるのか」という問いです。ただし、オブジェクトがその後どこへ移動するかについての情報は得られません。

物体トラッキングは、時間の経過に伴う動きの理解を加えることで、物体検出を発展させたものです。この2つの主な違いは、時間と動きをどのように扱うかにあります。物体検出では各フレームを独立したスナップショットとして扱いますが、物体トラッキングではフレーム間のつながりを捉え、過去のデータを使ってオブジェクトの将来の位置を予測します。

両者を組み合わせることで、動的な環境でリアルタイムトラッキングを行う強力なビジョンAIシステムを構築できます。たとえば、自動セキュリティシステムは、空間に入る人を検出し、フレーム内での動きを継続的に追跡できます。

Ultralytics YOLOモデルによるリアルタイムトラッキング#

物体検出とトラッキングの違いを確認したところで、YOLO11などのUltralytics YOLOモデルがリアルタイム物体トラッキングをどのようにサポートするかを見ていきましょう。

YOLOモデル自体はトラッキングアルゴリズムではありませんが、各動画フレームでオブジェクトを検出するという重要な役割を果たします。オブジェクトを検出した後、トラッキングアルゴリズムでそれぞれに一意のIDを割り当てることで、システムはフレーム間で動きを追跡できるようになります。

このニーズに応えるため、Ultralytics Pythonパッケージは、物体検出とBoT-SORTやByteTrackなどの一般的な追跡アルゴリズムを統合しています。この統合により、ユーザーは最小限のセットアップで検出と追跡を同時に実行できます。

YOLOモデルを物体追跡に使用する場合は、アプリケーションの要件に応じて適用する追跡アルゴリズムを選択できます。たとえば、BoT-SORTは動きの予測とディープラーニングを活用するため、予測しにくい動きをする物体の追跡に適しています。一方、ByteTrackは混雑したシーンで特に優れた性能を発揮し、物体がぼやけていたり一部が隠れていたりしても、信頼性の高い追跡を維持します。

図2。Ultralytics PythonパッケージはBoT-SORTとByteTrackを統合しています。

カスタムYOLOモデルのトレーニングは物体トラッキングとどのように関係しますか？#

カスタム学習とは、Ultralytics YOLO11などの事前学習済み物体検出モデルを特定のデータセットでファインチューニングし、標準的なデータセットに含まれていない物体を認識できるようにするプロセスです。追跡システムで独自の物体や珍しい物体を追跡する必要がある場合、特に重要です。

トラッキングシステムは、まず検出モデルがオブジェクトを認識することを前提としています。YOLOモデルが特定の種類の機械や野生生物など、ある対象を検出できなければ、トラッキングアルゴリズムもそれを追跡できません。

そのため、カスタムトレーニングが不可欠です。追跡対象のオブジェクトを検出モデルが正確に識別できるようになります。

このプロセスでファインチューニングするのは検出モデルのみであることにも留意してください。BoT-SORTやByteTrackなどの追跡アルゴリズムはカスタム学習されず、YOLOモデルの出力を使ってフレーム間の検出物体を追跡するだけです。

Ultralytics YOLOによる物体トラッキングの活用例#

物体トラッキングとは何か、どのように機能するかを理解したところで、この技術が活用されている実社会の事例を見ていきましょう。

Ultralytics YOLOによる速度推定のリアルタイムトラッキング#

コンピュータービジョンを活用した速度推定システムは、物体検出やトラッキングなどのタスクに依存します。これらのシステムは、車両、自転車に乗る人、さらには歩行者など、対象がどれほどの速さで移動しているかを算出するように設計されています。この情報は、交通管理から安全監視、産業オートメーションまで、さまざまな用途で重要です。

Ultralytics YOLO11のようなモデルを使うと、動画フレーム間でオブジェクトを検出し、追跡できます。一定期間にオブジェクトが移動した距離を分析することで、システムは速度を推定できます。

図3. 速度推定におけるYOLO11の物体トラッキング機能の活用。

製造業における物体トラッキング#

製造工程は進行が速く、非常に複雑な場合があるため、生産中の各品目を手作業で追跡するのは困難です。物体トラッキングを活用すれば、生産の各段階を進む製品の監視を自動化できます。工場の作業速度を落とすことなく、高い精度と効率を維持するのに役立ちます。

ベルトコンベヤー上の製品の計数から、欠陥の検出や適切な組み立ての確認まで、物体トラッキングは、そうでなければ時間がかかったり、ミスが発生しやすかったりする作業に可視性と制御性をもたらします。この技術は、速度と精度が重要な食品加工、電子機器、包装などの大量生産産業で特に大きな効果を発揮します。

図4. Ultralytics YOLO11を使用して生産ライン上の食品を追跡・計数する例。

小売分析における物体トラッキングの概要#

毎日、数え切れないほどの顧客が小売店舗に出入りしており、その行動を理解することは、顧客体験と業績の両方を向上させるうえで重要です。物体トラッキングにより、小売業者は侵襲的な方法や手作業に頼らずに、来店者数を監視し、滞在時間を測定し、移動パターンを分析できます。

店舗への入店、退店、店内の移動を追跡することで、企業は混雑する時間帯、人気のエリア、さらには行列の長さについても把握できます。こうした情報は、人員配置や店舗レイアウト、在庫の配置に関する意思決定に役立ち、最終的には業務効率と売上の向上につながります。

図5. Ultralytics YOLO11の物体トラッキング機能を活用して、店舗に出入りする人々を監視します。

物体トラッキングのメリットとデメリット#

小売店舗から工場の現場まで、物体トラッキングは効率、安全性、全体的な体験などを向上させるため、さまざまな業界で活用されています。物体トラッキングが各業界にもたらす主なメリットを紹介します。

• リアルタイムアラートを実現: 物体トラッキングを組み込んだシステムは、立ち入り制限区域への人の侵入や、荷物が同じ場所に長時間放置されるといった異常を検知した際に、自動でアラートを発するように設定できます。
• 他のシステムとの統合：物体追跡データを顔認識、サーマルカメラ、在庫管理システムなどの他の技術と組み合わせることで、より豊かなインサイトを得られます。
• 長期的なコスト効率: 初期設定には投資が必要になる場合がありますが、自動トラッキングによって手作業の必要性が減り、エラー率が下がり、長期的な運用コストも削減されます。

これらのメリットから、物体トラッキングがさまざまなユースケースに良い影響を与えることが分かります。一方で、導入に伴う課題も考慮することが重要です。物体トラッキングの主な制約を見ていきましょう。

• 混雑した環境での課題: コンサート会場、ショッピングセンター、街中などの混雑した場所では、近接する人やオブジェクトをトラッキングシステムが区別しにくくなり、誤認や不正確な結果につながる場合があります。
• 環境条件の影響を受けやすい: 照明不足、霧、速い動き、カメラの揺れは、オブジェクトを正確に追跡するシステムの能力に影響を与える可能性があります。特に屋外や管理されていない環境ではその影響が大きくなります。
• プライバシーと法的な懸念: 個人データの不適切な取り扱い、ユーザーの同意の欠如、公共の場での監視は、倫理的な問題を引き起こし、プライバシー法に違反する可能性があります。

重要なポイント#

物体トラッキングは、機械が時間の経過に伴うオブジェクトの動きを追跡できるようにするコンピュータービジョンタスクです。車両の速度推定や生産ラインでの製品の計数から、スポーツにおける選手の動きの分析まで、幅広い実社会の場面で活用されています。

Ultralytics YOLO11などのビジョンAIモデルと、BoT-SORTやByteTrackなどの追跡アルゴリズムにより、物体追跡はさまざまな業界でより高速かつスマートになり、利用しやすくなりました。物体追跡技術の進化に伴い、フレームを1つずつ処理しながら、システムのインテリジェント性、効率性、応答性の向上に貢献しています。

コンピュータービジョンとAIについてさらに詳しく知りたいですか？GitHubリポジトリをご覧いただき、コミュニティに参加して、ライセンスの選択肢を確認し、コンピュータービジョンプロジェクトを始めましょう。製造業におけるAIや自動車業界におけるコンピュータービジョンなどの技術革新に関心がある方は、ソリューションページをご覧ください。