Ultralytics YOLOモデルを使用したビデオ内の移動オブジェクトの追跡ガイド

電気部品を組み立てるロボット、速度違反の車を捕捉するシステム、そして顧客の買い物行動を追跡するスマートな小売ソリューションなど、これらのイノベーションはすべて computer vision に依存しています。これは、機械が画像や動画を分析・理解することを支援する人工知能 (AI) の一分野です。

例えば、ロボットは部品を正しく組み立てるために、個別の部品を認識して追いかける必要があります。同様に、交通システムは computer vision を使用して車を見つけ、ナンバープレートを読み取り、誰かが速度違反をしているかどうかを判断できます。一方、店舗では、vision AI が顧客が何を見て何を手にとっているかを追跡し、在庫を監視することさえ可能です。

このようなアプリケーションは Ultralytics YOLO11 のような computer vision モデルによって支えられており、幅広い視覚タスクをサポートしています。これらのタスクの多くは単一の画像からインサイトを収集することに焦点を当てていますが、特に興味深い object tracking というタスクは、一連の画像や動画フレーム全体で物体の動きを追跡するために使用できます。

Fig 1. 車の検出とトラッキングの例です。

このガイドでは、object tracking がどのように機能するかを詳しく見ていき、その実際の活用例を探ります。また、Ultralytics YOLO11 のような vision AI モデルがどのように object tracking をサポートしているかについても解説します。それでは始めましょう！

Link to this sectioncomputer vision トラッキングシステムの詳細#

object tracking は、動画フレーム全体で物体の動きを追いかけ、システムが時間の経過とともに状況の変化を監視および理解できるようにするために使用される computer vision task です。これは、テニスの試合中にボールがコートを行き来するのを目で追うときのように、人間が動く人や物を自然に目で追える仕組みと非常に似ています。

同様に、object tracking はカメラと AI を使用して、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、自宅で観戦する視聴者は、速度、軌道、選手の位置情報といった分析を通じて、試合の流れをより深く理解できるようになります。

このような視覚的な追跡は人間にとっては楽に思えるかもしれませんが、マシンビジョンの場合、それは vision AI モデルによって駆動される一連のステップを伴います。object tracking がどのように機能するかの簡単な内訳を以下に示します。

• 動画のキャプチャ: カメラが動画映像を記録し、物体が時間の経過とともにシーン内をどのように移動するかを捉えます。
• 物体の検出: YOLO11 のような AI 駆動型の computer vision models は、各フレームを分析して、人、車両、製品などの特定の物体を識別・特定します。
• ID の割り当て: 物体が検出されると、トラッキングアルゴリズムがその物体に固有の ID を割り当てて複数のフレームにわたって追跡し、移動中でもシステムがそれが同じ物体であることを認識できるようにします。
• 動きの監視: システムは時間の経過とともに動きを追跡します。このデータを使用して、速度、方向、他の物体との相互作用といったデータを収集できます。
• インサイトの生成: この情報は、具体的なユースケースに応じて、リアルタイムでの分析提供、意思決定の支援、または視覚的なオーバーレイの表示に使用できます。

Link to this sectionYOLO を使用した物体検出とトラッキングの比較#

YOLO11 がサポートするもう一つの computer vision task で、object tracking と密接に関連しているのが object detection です。これら2つのタスクの違いを探ってみましょう。

object detection には、単一の画像や動画フレーム内で目的の物体を識別して特定することが含まれます。例えば、自動運転車は object detection を使用して、カメラが捉えた単一のフレーム内で一時停止標識や歩行者を認識します。これは「画像の中に何があり、それはどこにあるか？」という問いに答えるものですが、その物体が次にどこへ行くかについての情報は提供しません。

object tracking は object detection をベースにしており、時間の経過に伴う動きの理解を加えたものです。両者の主な違いは、時間と動きをどのように扱うかという点です。object detection 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、object tracking は過去のデータを使用して物体の将来の位置を予測し、フレーム間の関連性をつなぎ合わせます。

両方を組み合わせることで、動的な環境でリアルタイムのトラッキングが可能な強力な vision AI システムを構築できます。例えば、自動セキュリティシステムは、人が空間に入ってくるのを検出し、フレーム全体でその track their movement を継続的に実行できます。

Link to this sectionUltralytics YOLO モデルを使用したリアルタイムトラッキング#

object detection とトラッキングの違いを理解したところで、次は Ultralytics YOLO モデル（YOLO11 など）がどのようにリアルタイムの object tracking をサポートしてい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、各動画フレーム内の物体を検出することで重要な役割を果たします。物体が検出されると、それを追跡するためにトラッキングアルゴリズムが必要となり、フレーム間でその動きを追うことが可能になります。

このニーズに対応するため、Ultralytics Python package は object detection と BoT-SORT や ByteTrack といった一般的なトラッキングアルゴリズムをシームレスに統合しています。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トラッキングを同時に実行できます。

object tracking に YOLO モデルを使用する場合、アプリケーションの要件に基づいてどのトラッキングアルゴリズムを適用するかを選択できます。例えば、BoT-SORT は、モーション予測とディープラーニングを使用しているため、予測不能な動きをする物体を追跡するのに適しています。一方、ByteTrack は、混雑したシーンで特に優れたパフォーマンスを発揮し、物体がぼやけていたり部分的に隠れていたりする場合でも信頼性の高いトラッキングを維持します。

Fig 2. Ultralytics Python package は BoT-SORT と ByteTrack をシームレスに統合しています。

Link to this sectionカスタム YOLO モデルのトレーニングは object tracking とどのように関連していますか？#

Custom training は、YOLO11 のような事前トレーニング済みの object detection モデルを特定のデータセットで微調整し、標準のデータセットには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。これは、トラッキングシステムでカスタムまたは珍しい物体を追跡する必要がある場合に特に重要です。

トラッキングシステムは、まず物体を認識するために検出モデルに依存しています。もし YOLO モデルが特定の機械や野生生物の種のような特定のアイテムを検出できない場合、トラッキングアルゴリズムは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なのです。これにより、検出モデルが追跡したい物体を正確に識別できるようになります。

このプロセス中に微調整されるのは検出モデルのみであることに注意することも重要です。BoT-SORT や ByteTrack といったトラッキングアルゴリズムはカスタムトレーニングされるわけではなく、YOLO モデルからの出力を単純に使用して、検出された物体をフレーム間で追跡するだけです。

Link to this sectionUltralytics YOLO を使用した object tracking のアプリケーション#

object tracking とは何か、どのように機能するのかを理解したところで、この技術が影響を与えている実際のアプリケーションをいくつか見ていきましょう。

Link to this section速度推定のための Ultralytics YOLO を使用したリアルタイムトラッキング#

computer vision によって実現される speed estimation システムは、object detection やトラッキングといったタスクに依存しています。これらのシステムは、車両、自転車、あるいは人であっても、物体がどれくらいの速さで移動しているかを計算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に至るまで、さまざまなアプリケーションにとって極めて重要です。

Ultralytics YOLO11 のようなモデルを使用することで、物体を動画フレーム全体で検出および追跡できます。物体が特定の期間にどれだけ移動したかを分析することで、システムはその速度を推定できます。

Fig 3. 速度推定のための YOLO11 の object tracking サポートの使用例です。

Link to this section製造業における object tracking の調査#

製造プロセスはペースが速く非常に複雑になる場合があり、製造されるすべてのアイテムを手作業で追跡し続けることは困難です。object tracking は、製品が生産の各段階を通過する際の監視を自動化するための優れたソリューションを提供します。これにより、スピードを落とすことなく、高いレベルの精度と効率を維持できます。

ベルトコンベア上の製品のカウントから、欠陥の発見や適切な組み立ての検証まで、object tracking は、そうでなければ時間のかかる、またはエラーが発生しやすいタスクに可視性と制御をもたらします。この技術は、food processing、電子機器、パッケージングなど、スピードと精度が不可欠な大量生産業界で特に大きな影響を与えています。

Fig 4. YOLO11 を使用した組み立てライン上の食品の追跡およびカウントの例です。

Link to this section小売分析における object tracking の概要#

毎日数え切れないほどの顧客が retail stores に出入りしており、彼らの行動を理解することは、顧客体験とビジネスパフォーマンスの両方を向上させる鍵となります。object tracking により、小売業者は侵襲的または手動の方法を必要とせずに、人流を監視し、滞在時間を測定し、移動パターンを分析することができます。

店舗への入退店や店内での移動を追跡することで、企業はピーク時の時間帯、人気のエリア、さらには行列の長さに関するインサイトを得ることができます。これらのインサイトは、人員配置、店舗レイアウト、在庫配置に関する意思決定に役立ち、最終的に業務の効率化と売上向上につながります。

Fig 5. YOLO11 の object-tracking 能力を使用して店舗への入退店者を監視する様子です。

Link to this sectionobject tracking の利点と欠点#

小売店から工場の床まで、効率、安全性、全体的な体験といった要素を向上させるために、あらゆる種類の業界で object tracking が使用されています。object tracking がさまざまな業界にもたらす主な利点は以下の通りです。

• リアルタイムアラートの有効化: object tracking と統合されたシステムは、制限区域への立ち入りや、配送品が長期間放置されている場合など、異常が検出された際に自動的にアラートを発するように構成できます。
• 他のシステムとの統合: object-tracking データは、facial recognition、サーマルカメラ、在庫システムなどの他の技術と組み合わせて、さらに強力なインサイトを得ることができます。
• 長期的には費用対効果が高い: 初期設定には投資が必要な場合がありますが、自動化されたトラッキングは手作業の必要性を減らし、エラー率を低下させ、運用コストを時間の経過とともに削減します。

これらの利点は object tracking が異なるユースケースにどのようにプラスの影響を与えるかを強調していますが、実装に伴う課題を考慮することも重要です。object tracking の制限事項を詳しく見ていきましょう。

• crowded environments における難しさ: コンサート、ショッピングセンター、市街地などの混雑した設定では、トラッキングシステムが互いに近接している人や物体を区別するのに苦労し、混乱や不正確な結果を招く可能性があります。

• 環境条件への敏感さ: 照明不足、霧、速い動き、またはカメラの揺れは、特に屋外や制御されていない環境において、システムが物体を正確に追跡する能力に影響を与える可能性があります。

• プライバシーおよび法的懸念: 個人データの不適切な取り扱い、ユーザーの同意の欠如、または公共スペースでの監視は、倫理的問題を引き起こし、プライバシー法への不適合につながる可能性があります。

Link to this section重要なポイント#

object tracking は、機械が時間の経過とともに物体の動きを追うことを可能にする computer vision task です。車両の速度推定、組み立てラインでの製品カウント、スポーツでの選手移動の分析に至るまで、幅広い現実のシナリオで使用されています。

YOLO11 のような Vision AI モデルと BoT-SORT や ByteTrack などのトラッキングアルゴリズムにより、object tracking はより速く、よりスマートに、そしてさまざまな業界でよりアクセスしやすくなりました。object-tracking 技術が進化するにつれ、システムが一度に一フレームずつ、よりインテリジェントで効率的かつ応答性の高いものになるよう支援しています。

コンピュータビジョンとAIについて詳しく知りたいですか？GitHubリポジトリを探索し、コミュニティとつながり、ライセンスオプションを確認して、コンピュータビジョンプロジェクトを立ち上げましょう。製造業におけるAIや自動車業界におけるコンピュータビジョンといった革新的な技術を探求している場合は、ソリューションページにアクセスして詳細をご覧ください。