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、スピード違反の車を捉えるシステム、顧客の買い物の様子を追跡するスマートリテールソリューションなど、これらすべてのイノベーションはcomputer visionに依存しています。これは、機械が画像や動画を分析して理解するのを助ける人工知能（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、幅広いビジュアルタスクをサポートするUltralytics YOLO11のようなコンピュータービジョンモデルによって駆動されています。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、特に興味深いタスクの1つであるobject trackingは、一連の画像やビデオフレーム全体でのオブジェクトの動きを追うために使用できます。

Fig 1. 車の検出と追跡の例。

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！

computer vision トラッキングシステムの詳細#

オブジェクトトラッキングは、ビデオフレーム全体でのオブジェクトの動きを追うために使用されるcomputer vision taskであり、システムが物事の時間経過に伴う変化を監視および理解するのに役立ちます。これは、テニスの試合を観戦しているときに、コートを行き来するボールを目が追うように、人間が動いている人物やオブジェクトを目で自然に追うことができる様子に非常によく似ています。

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。
• Detecting objects: YOLO11のようなAI駆動のcomputer vision modelsは、各フレームを分析して、人、車両、製品などの特定のオブジェクトを識別し、その位置を特定できます。
• 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。

YOLO を使用した物体検出とトラッキングの比較#

Ultralytics YOLO11がサポートする、オブジェクトトラッキングと密接に関連するもう1つのコンピュータビジョンタスクがobject detectionです。これら2つのタスクの違いについて見ていきましょう。

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追跡が可能な強力なビジョン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、スペースに入る人々を検出し、フレーム全体にわたってtrack their movementを継続的に行うことができます。

Ultralytics 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。

このニーズに対処するため、Ultralytics Python packageは、オブジェクト検出をBoT-SORTやByteTrackなどの一般的なトラッキングアルゴリズムとシームレスに統合します。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一緒に実行できるようになります。

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ます。

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、Ultralytics YOLO11のような事前トレーニング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、標準の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。これは、トラッキングシステムでカスタムオブジェクトや一般的ではないオブジェクト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。

Ultralytics 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。

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#

コンピュータービジョンによって可能になるSpeed estimationシステムは、オブジェクト検出やトラッキングなどのタスクに依存しています。これらのシステムは、車両、自転車に乗っている人、さらには歩行者など、オブジェクトがどれくらいの速度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. 速度推定のためのオブジェクトトラッキングに対するYOLO11のサポートの使用。

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。

コンベアベルト上の製品のカウントから、欠陥の発見、適切な組み立ての検証まで、オブジェクトトラッキングは、そうでなければ時間がかかったりエラーが発生しやすかったりするタスクに可視性と制御をもたらします。このテクノロジーは、速度と精度が重要なfood processing、エレクトロニクス、パッケージングなどの大量生産産業で特に大きな影響を与えます。

Fig 4. Ultralytics YOLO11を使用して組立ライン上の食品を追跡およびカウントしている例。

小売分析における object tracking の概要#

retail storesには毎日数え切れないほどの顧客が出入りしており、その行動を理解することが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カギとなります。オブジェクトトラッキングにより、小売業者は侵入的または手動の方法を必要とせずに、足取りの監視、滞在時間の測定、移動パターンの分析を行うことができます。

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. Ultralytics YOLO11のオブジェクトトラッキング機能を使用して店舗への出入りの人々を監視する様子。

object 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。
• Integrates with other systems: オブジェクトトラッキングのデータは、facial recognition、サーマルカメラ、在庫システムなどの他のテクノロジーと組み合わせて、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。

• Difficulty in crowded environments: コンサート、ショッピングセンター、街路などの混雑した環境では、トラッキングシステムが近接した人物やオブジェクトを区別するのに苦労し、混乱や不正確な結果につながる可能性があります。

• 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。

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。

Ultralytics YOLO11のようなVision AIモデルや、BoT-SORT、ByteTrackなどのトラッキングアルゴリズムにより、物体トラッキングはより高速でスマートになり、さまざまな業界でより身近なものになっています。物体トラッキングテクノロジーの進化に伴い、システムは1フレームずつ、よりインテリジェントで効率的、かつ迅速に応答できるようになっています。

コンピュータビジョンやAIについてもっと知りたいですか？GitHubリポジトリを探索し、コミュニティに参加し、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ビジョンなどのイノベーションを検討している場合は、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。