2025年の物体検出を深掘りするためのガイド

多くの業界が、人工知能（AI）ソリューションを急速に業務へ統合しています。現在利用可能な数多くのAI技術の中でも、コンピュータビジョンは最も人気のある技術の一つです。コンピュータビジョンは、人間と同様にコンピュータが画像や動画の内容を見て理解できるようにするAIの一分野です。これにより、機械が物体を認識し、パターンを特定し、見ているものを理解することが可能になります。

コンピュータビジョンの世界市場価値は、2032年までに1,757億2,000万ドルに達すると予測されています。コンピュータビジョンには、視覚AIシステムが視覚データを分析・解釈できるようにするさまざまなタスクが含まれます。コンピュータビジョンにおいて最も広く使用され、不可欠なタスクの一つが物体検出です。

物体検出は、視覚データ内の物体を特定して分類することに重点を置いています。例えば、コンピュータに牛の画像を見せると、牛を検出し、その周囲にbbox（バウンディングボックス）を描画することができます。この能力は、動物の監視、自動運転車、監視システムといった実世界のアプリケーションで有用です。

では、物体検出はどのように実行されるのでしょうか。一つの方法は、コンピュータビジョンモデルを使用することです。例えば、Ultralytics YOLO11は、物体検出のようなコンピュータビジョンタスクをサポートするコンピュータビジョンモデルです。

本ガイドでは、物体検出とその仕組みについて詳しく探ります。また、物体検出とUltralytics YOLO11の実世界でのアプリケーションについても解説します。

図1 YOLO11の物体検出サポートを活用した牛の監視。

Link to this section物体検出とは？#

物体検出は、画像や動画内の物体を特定して位置を特定するコンピュータビジョンタスクです。これは、「画像の中に何の物体があるか？」と「それらはどこにあるか？」という二つの重要な問いに答えるものです。

物体検出は二つの重要なステップを含むプロセスと考えると分かりやすいでしょう。最初のステップである物体分類では、学習済みのパターンに基づいて、猫、車、人などを識別しラベル付けすることでシステムが物体を認識します。二つ目のステップであるローカライゼーションでは、物体を囲むbboxを描画することで物体の位置を特定し、画像内のどこにそれが存在するかを示します。これらを組み合わせることで、機械はシーン内の物体を検出し理解できるようになります。

物体検出がユニークな点は、物体を認識し、その位置を正確に特定できる能力にあります。他のコンピュータビジョンタスクは、それぞれ異なる目標に焦点を当てています。

例えば、画像分類は画像全体に対して一つのラベルを割り当てます。一方、画像セグメンテーションは、様々な要素をピクセル単位で理解します。対照的に、物体検出は認識とローカライゼーションを組み合わせたものです。このため、リアルタイムで複数の物体をカウントするようなタスクに特に役立ちます。

図2 コンピュータビジョンタスクの比較。

Link to this section物体認識と物体検出の違い#

コンピュータビジョンに関する様々な用語を調べていると、物体認識と物体検出は交換可能であるように感じるかもしれませんが、これらは異なる目的を持っています。その違いを理解するための良い方法は、顔検出と顔認識を比較することです。

顔検出は物体検出の一種です。画像内に顔が存在するかどうかを識別し、bboxを使用してその位置をマークします。これは「画像内のどこに顔があるか？」という問いに答えるものです。この技術は、カメラで自動的に顔にフォーカスを合わせるスマートフォンや、人の存在を検知するセキュリティカメラなどで一般的に使用されています。

一方、顔認識は物体認識の形式です。単に顔を検出するだけでなく、独自の顔の特徴を分析し、データベースと比較することで、それが誰であるかを特定します。これは「この人は誰か？」という問いに答えるものです。これがFace IDによるスマートフォンのロック解除や、IDを確認する空港のセキュリティシステムを支える技術です。

簡潔に言えば、物体検出は物体を発見して位置を特定し、物体認識はそれらを分類して識別します。

図3：物体検出と物体認識の比較。画像提供：著者。

YOLO11のような多くの物体検出モデルは、顔検出をサポートするように設計されていますが、顔認識はサポートしていません。YOLO11は画像内の顔の存在を効率的に識別し、その周囲にbboxを描画できるため、監視システム、群衆監視、自動写真タグ付けなどのアプリケーションで役立ちます。ただし、それが誰の顔であるかを判断することはできません。YOLO11をFacenetやDeepFaceなど顔認識のために特別にトレーニングされたモデルと統合することで、単一のシステムで検出と識別の両方を実現できます。

Link to this sectionオブジェクト検出の仕組みを理解する#

物体検出がどのように機能するかを議論する前に、まずコンピュータが画像をどのように分析するかを詳しく見ていきましょう。コンピュータは私たちが画像を見るのとは異なり、ピクセルと呼ばれる小さな四角形のグリッドに分解します。各ピクセルには色と明るさの情報が含まれており、コンピュータはこれを処理して視覚データを解釈します。

これらのピクセルを理解するために、アルゴリズムは形状、色、近接度に基づいてピクセルを意味のある領域にグループ化します。YOLO11のような物体検出モデルは、これらのピクセルグループ内のパターンや特徴を認識することができます。

例えば、自動運転車は歩行者を人間と同じように見るわけではありません。歩行者の特徴に一致する形状やパターンを検出するのです。これらのモデルは、ラベル付けされた画像データセットを用いた広範な学習に依存しており、これにより車、交通標識、人などの物体の特徴的な特性を学習します。

典型的な物体検出モデルには、バックボーン、ネック、ヘッドという3つの主要なパーツがあります。バックボーンは画像から重要な特徴を抽出します。ネックはこれらの特徴を処理および洗練し、ヘッドは物体の位置を予測し、分類する役割を担います。

Link to this section検出結果の洗練と提示#

初期の検出が行われた後、精度を向上させ、重複した予測を除去するために後処理技術が適用されます。例えば、重なり合うbboxが削除され、最も関連性の高い検出結果のみが保持されるようになります。また、モデルが予測に対してどの程度確信を持っているかを示す数値である信頼度スコア（Confidence Score）が、検出された各物体に割り当てられます。

最終的に、検出された物体の周囲に描画されたbboxとともに、予測されたクラスラベルと信頼度スコアが出力として表示されます。これらの結果は、実世界のアプリケーションに使用されます。

Link to this section一般的な物体検出モデル#

現在、多くのコンピュータビジョンモデルが利用可能であり、中でも最も人気があるのはUltralytics YOLOモデルです。これらは、その速度、精度、多用途性で知られています。長年にわたり、これらのモデルはより速く、より正確になり、より広範なタスクを処理できるようになりました。Ultralytics YOLOv5のリリースにより、PyTorchなどのフレームワークでのデプロイが容易になり、深い技術的専門知識がなくても、より多くの人々が高度な視覚AIを利用できるようになりました。

この基盤の上に、Ultralytics YOLOv8はインスタンスセグメンテーション、姿勢推定、画像分類などの新機能を導入しました。そして今、YOLO11は、複数のタスクにわたって優れたパフォーマンスを発揮することで、さらなる進化を遂げています。YOLO8mよりもパラメータが22%少ないにもかかわらず、YOLO11mはCOCOデータセットにおいて、より高いmAPを達成しています。簡単に言えば、YOLO11はリソース消費を抑えつつ高い精度で物体を認識できるため、より高速で信頼性が高いモデルとなっています。

AIの専門家であっても初心者であっても、YOLO11はコンピュータビジョンアプリケーション向けの強力で使いやすいソリューションを提供します。

Link to this section物体検出のためのカスタムトレーニング#

視覚AIモデルのトレーニングには、コンピュータが画像や動画を認識して理解できるように支援する作業が含まれます。しかし、トレーニングは時間のかかるプロセスになる可能性があります。ゼロから始めるのではなく、すでに一般的なパターンを認識している事前学習済みモデルを利用する「転移学習」を用いることで、プロセスを高速化できます。

例えば、YOLO11はすでにCOCOデータセットでトレーニングされており、これには多様な日常の物体が含まれています。この事前学習済みモデルは、元のデータセットに含まれていない特定の物体を検出するように、さらなるカスタムトレーニングを行うことができます。

YOLO11をカスタムトレーニングするには、検出したい物体の画像を含むラベル付けされたデータセットが必要です。例えば、食料品店で様々な種類の果物を識別するモデルを作成したい場合、リンゴ、バナナ、オレンジなどのラベル付き画像を含むデータセットを作成します。データセットが準備できたら、バッチサイズ、学習率、エポック数などのパラメータを調整してパフォーマンスを最適化し、YOLO11をトレーニングできます。

このアプローチにより、企業は製造における欠陥部品から保全プロジェクトにおける野生動物の種まで、あらゆるものを検出できるようにYOLO11をトレーニングし、ニーズに合わせてモデルをカスタマイズすることが可能です。

Link to this section物体検出のアプリケーション#

次に、物体検出の実世界でのユースケースと、それがどのように様々な業界を変革しているかを見ていきましょう。

Link to this section自動運転のための危険検知#

自動運転車は、安全に走行し障害物を回避するために、物体検出のようなコンピュータビジョンタスクを使用しています。この技術により、歩行者、他の車両、路面の穴、道路の危険物を認識し、周囲の状況をより深く理解できるようになります。常に環境を分析することで、迅速な判断を下し、交通の中で安全に移動することができます。

図4 YOLO11を使用して路面の穴を検出する物体検出の例。

Link to this sectionヘルスケアにおける医療画像分析#

X線、MRI、CTスキャン、超音波検査などの医療画像技術は、病気の診断と治療を助けるために人体の詳細な画像を作成します。これらのスキャンからは大量のデータが生成され、放射線科医や病理医などの医師が慎重に分析して病気を検出する必要があります。しかし、すべての画像を詳細に確認するには時間がかかり、専門家であっても疲労や時間的制約によって詳細を見逃してしまうことがあります。

YOLO11のような物体検出モデルは、医療スキャンにおける臓器、腫瘍、異常などの重要な特徴を高い精度で自動的に識別することで支援を提供します。カスタムトレーニングされたモデルは、懸念される領域をbboxで強調表示し、医師が潜在的な問題をより迅速に特定できるようにします。これにより、作業負荷が軽減され、効率が向上し、迅速な洞察が得られます。

図5 YOLO11を使用した医療画像の分析。

Link to this section人検出と異常検知によるセキュリティの向上#

オブジェクトトラッキングは、YOLO11がサポートするコンピュータビジョンタスクであり、リアルタイム監視とセキュリティの強化を可能にします。これは物体検出を基盤としており、物体を識別し、フレーム間での動きを継続的に追跡します。この技術は、様々な環境で安全性を向上させるために、監視システムで広く使用されています。

例えば、学校や保育園では、オブジェクトトラッキングを使用して子供を見守り、迷子になるのを防ぐことができます。セキュリティアプリケーションでは、立ち入り禁止区域への侵入者の検知、群衆の過密状態や不審な行動の監視、許可されていない行動が検出された際のリアルタイムアラートの送信において重要な役割を果たします。物体が移動するたびに追跡することで、YOLO11ベースの追跡システムはセキュリティを強化し、監視を自動化し、潜在的な脅威に対する迅速な対応を可能にします。

Link to this section物体検出の長所と短所#

物体検出が様々な業界にもたらす重要なメリットをいくつか紹介します。

• 自動化： 物体検出は、CCTV映像の監視といったタスクにおいて、人間の監視の必要性を減らすのに役立ちます。
• 他のAIモデルとの連携： 顔認識、行動認識、追跡システムと統合することで、精度と機能を向上させることができます。
• リアルタイム処理： YOLO11のような多くの物体検出モデルは高速で効率的であり、即時の結果を必要とするリアルタイムアプリケーションに最適です。

これらのメリットは物体検出がどのように異なるユースケースに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。主要な課題をいくつか挙げます。

• データプライバシー： 特に監視や医療などの機密性の高い分野において、視覚データの使用はプライバシー問題やセキュリティ上の懸念を引き起こす可能性があります。

• オクルージョン（遮蔽）： 物体検出におけるオクルージョンは、物体が部分的に遮られたり隠れたりすることで発生し、モデルが正確に検出して分類することを困難にします。

• 計算コスト： 高性能なモデルは、処理のために強力なGPUが必要になることが多く、リアルタイム導入には費用がかかる場合があります。

Link to this section重要なポイント#

物体検出は、画像や動画内の物体を検出し位置を特定するのに役立つ、コンピュータビジョンの画期的なツールです。自動運転車から医療まで幅広いセクターで使用されており、タスクをより容易に、安全に、効率的にしています。YOLO11のような新しいモデルを使用することで、企業はカスタムの物体検出モデルを簡単に作成し、専門的なコンピュータビジョンアプリケーションを構築できます。

プライバシーへの懸念や遮蔽といった課題はありますが、物体検出は信頼性の高い技術です。タスクを自動化し、視覚データをリアルタイムで処理し、他の視覚AIツールと統合できるその能力は、最先端のイノベーションにおいて不可欠な要素となっています。

詳細については、GitHubリポジトリをご覧いただくか、コミュニティにご参加ください。自動運転車におけるAIや農業におけるコンピュータビジョンなどのセクターにおける革新的な事例は、ソリューションページで探索できます。YOLOライセンスオプションを確認し、あなたの視覚AIプロジェクトを実現してください。🚀