2025年の物体検出を深く掘り下げるガイド

多くの業界で、人工知能（AI）ソリューションの業務への導入が急速に進んでいます。現在利用できるさまざまなAIテクノロジーの中でも、コンピュータービジョンは特に広く利用されています。コンピュータービジョンはAIの一分野であり、人間のようにコンピューターが画像や動画の内容を見て理解できるようにします。これにより、機械は物体を認識し、パターンを特定し、見ているものを理解できるようになります。

コンピュータービジョンの世界市場規模は、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。コンピュータービジョンには、ビジョンAIシステムが視覚データを分析・解釈するためのさまざまなタスクが含まれます。コンピュータービジョンで最も広く使われている重要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の位置特定と分類に焦点を当てます。たとえば、牛の画像をコンピューターに見せると、牛を検出し、その周囲にバウンディングボックスを描画できます。この機能は、動物のモニタリング、自動運転車、監視などの実用的な用途で役立ちます。

では、物体検出はどのように行うのでしょうか？その方法の一つがコンピュータービジョンモデルの活用です。たとえば、Ultralytics YOLO11は、物体検出などのコンピュータービジョンタスクに対応するモデルです。

このガイドでは、物体検出とその仕組みを解説します。また、物体検出とUltralytics YOLO11の実用例についても説明します。

図1. YOLO11の物体検出機能を使った牛のモニタリング。

物体検出とは何ですか？#

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ービジョンタスクです。「画像には何が写っているか」と「それらはどこにあるか」という2つの重要な問いに答えます。

物体検出は、主に2つのステップから成るプロセスと考えることができます。1つ目の物体分類では、学習したパターンに基づいて猫、車、人などの物体を認識し、ラベルを付けます。2つ目の位置特定では、物体の周囲にバウンディングボックスを描画して、その位置を特定し、画像内のどこにあるかを示します。この2つのステップ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。

物体検出が独自の特徴を持つのは、物体を認識し、その位置を正確に特定できる点です。ほかのコンピュータービジョンタスクは、それぞれ異なる目的に焦点を当てています。

たとえば、画像分類は画像全体にラベルを割り当てます。一方、画像セグメンテーションは、さまざまな要素をピクセル単位で把握します。これに対して物体検出は、認識と位置特定を組み合わせます。そのため、複数の物体をリアルタイムで数えるようなタスクに特に役立ちます。

図2. コンピュータービジョンタスクの比較。

物体認識と物体検出の違い#

さまざまなコンピュータービジョン用語を調べていると、物体認識と物体検出は同じ意味のように思えるかもしれませんが、それぞれ目的が異なります。その違いを理解するには、顔検出と顔認識を比較するとよいでしょう。

顔検出は物体検出の一種です。画像内に顔があるかどうかを特定し、バウンディングボックスで位置を示します。「画像内の顔はどこにあるか」という問いに答えます。この技術は、顔に自動で焦点を合わせるスマートフォンのカメラや、人の存在を検出する防犯カメラなどで一般的に使われています。

一方、顔認識は物体認識の一種です。顔を検出するだけでなく、固有の特徴を分析してデータベースと照合することで、その顔が誰のものかを特定します。「この人は誰か」という問いに答えます。Face IDによるスマートフォンのロック解除や、本人確認を行う空港のセキュリティシステムに使われている技術です。

簡単に言えば、物体検出は物体を見つけて位置を特定し、物体認識は物体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。

Ultralytics YOLO11など、多くの物体検出モデルは顔検出に対応するよう設計されていますが、顔認識には対応していません。YOLO11は画像内の顔の存在を効率的に特定し、その周囲にバウンディングボックスを描画できるため、監視システム、人混みのモニタリング、自動写真タグ付けなどに役立ちます。ただし、誰の顔かを判別することはできません。YOLO11を、FacenetやDeepFaceなど顔認識用に特化してトレーニングされたモデルと統合すれば、1つのシステムで検出と識別の両方を実現できます。

物体検出の仕組みを理解する#

物体検出の仕組みを説明する前に、コンピューターが画像をどのように分析するかを見てみましょう。コンピューターは人間のように画像を見るのではなく、画像をピクセルと呼ばれる小さな正方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、コンピューターはその情報を処理して視覚データを解釈します。

こうしたピクセルを理解するため、アルゴリズムは形状、色、相互の距離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。Ultralytics YOLO11などの物体検出モデルは、こうしたピクセルのグループ内のパターンや特徴を認識できます。

たとえば、自動運転車は人間のように歩行者を見るのではなく、歩行者の特徴に一致する形状やパターンを検出します。こうしたモデルは、ラベル付きの画像データセットを使った大規模なトレーニングに依存しており、車、交通標識、人などの物体に特有の特徴を学習できます。

一般的な物体検出モデルは、バックボーン、ネック、ヘッドという3つの主要部分で構成されます。バックボーンは画像から重要な特徴を抽出します。ネックはそれらの特徴を処理して洗練させ、ヘッドは物体の位置を予測して分類します。

検出結果の調整と提示#

初期検出が完了すると、精度を高め、重複する予測を除外するために、後処理技術が適用されます。たとえば、重なり合うバウンディングボックスを削除し、最も関連性の高い検出結果だけを残します。また、検出された物体ごとに信頼度スコア（検出した物体が特定のクラスに属するとモデルがどの程度確信しているかを示す数値）を割り当て、予測に対するモデルの確信度を示します。

最後に、検出された物体の周囲にバウンディングボックスを描画し、予測されたクラスラベルと信頼度スコアを添えて出力を提示します。この結果は実用的な用途に活用できます。

代表的な物体検出モデル#

現在、さまざまなコンピュータービジョンモデルが利用でき、その中でも特に広く使われているのがUltralytics YOLOモデルです。これらのモデルは、速度、精度、汎用性に優れていることで知られています。長年にわたって、処理速度と精度が向上し、より幅広いタスクに対応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を使ったデプロイが容易になり、高度な技術知識がなくても、より多くの人が高度なビジョンAIを利用できるようになりました。

この基盤を引き継いだUltralytics YOLOv8では、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が導入されました。現在、YOLO11は複数のタスクで性能を向上させ、さらに進化しています。YOLOv8mよりパラメーター数が22%少ないYOLO11mは、COCOデータセットにおける平均適合率（mAP）がより高くなっています。つまり、YOLO11はより少ないリソースで物体を高精度に認識できるため、より高速で信頼性にも優れています。

AIの専門家にも、これから学び始める方にも、Ultralytics YOLO11はコンピューター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です。

物体検出向けのモデルのカスタムトレーニング#

ビジョンAIモデルのトレーニングでは、コンピューターが画像や動画を認識して理解できるように学習させます。ただし、トレーニングには時間がかかることがあります。最初から学習させるのではなく、一般的なパターンをすでに認識できる学習済みモデルを利用する転移学習によって、作業を効率化できます。

たとえば、Ultralytics YOLO11は、日常的な物体を幅広く含むCOCOデータセットで学習済みです。この学習済みモデルをさらにカスタムトレーニングすると、元のデータセットに含まれていない特定の物体を検出できるようになります。

Ultralytics 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きデータセットが必要です。たとえば、食料品店にあるさまざまな種類の果物を識別するモデルを作成する場合、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。データセットを準備したら、バッチサイズ、学習率、エポック数などのパラメーターを調整しながらYOLO11をトレーニングして、性能を最適化できます。

この方法を使うと、企業は製造業における不良部品から自然保護プロジェクトにおける野生動物の種まで、用途に合わせてUltralytics YOLO11をトレーニングし、ニーズに応じたモデルを構築できます。

物体検出の活用例#

次に、物体検出の実用例と、さまざまな業界をどのように変革しているかを見ていきましょう。

自動運転における危険検出#

自動運転車は、安全な走行と障害物の回避に、物体検出などのコンピュータービジョンタスクを利用します。この技術により、歩行者、ほかの車両、道路のくぼみ、道路上の危険を認識できるため、周囲の状況をより的確に把握できます。周囲を継続的に分析することで、すばやく判断し、交通の中を安全に走行できます。

図4. Ultralytics YOLO11で物体検出を使用して道路のくぼみを検出する例。

医療における医用画像の分析#

X線、MRI、CTスキャン、超音波検査などの医用画像技術では、病気の診断と治療に役立つ詳細な人体画像を作成します。こうした検査では大量のデータが生成されるため、放射線科医や病理医などの医師は、病気を検出するために慎重な分析が必要です。しかし、すべての画像を細部まで確認するには時間がかかり、疲労や時間的制約から、専門家が詳細を見落とすこともあります。

Ultralytics YOLO11などの物体検出モデルは、医用画像内の臓器、腫瘍、異常などの重要な特徴を高精度で自動的に特定し、医師を支援できます。カスタムトレーニングしたモデルは、注意が必要な領域をバウンディングボックスで強調表示し、医師が潜在的な問題にすばやく注目できるようにします。これにより、作業負荷を軽減し、効率を高め、迅速な分析結果を提供できます。

図5. Ultralytics YOLO11による医用画像の分析。

人物検出と異常検知によるセキュリティの強化#

物体追跡はUltralytics YOLO11が対応するコンピュータービジョンタスクであり、リアルタイムのモニタリングとセキュリティ強化を可能にします。物体検出を基盤とし、物体を特定してフレーム間の動きを継続的に追跡します。この技術は、さまざまな環境の安全性を高めるため、監視システムで広く使われています。

たとえば、学校や保育施設では、物体追跡を活用して子どもを見守り、迷子になるのを防ぐことができます。セキュリティ用途では、立入制限区域への侵入者の検出、過密状態や不審な行動の監視、許可されていない活動を検出した際のリアルタイム通知などで重要な役割を果たします。物体の移動を追跡することで、Ultralytics YOLOを活用した追跡システムはセキュリティを強化し、モニタリングを自動化して、潜在的な脅威への迅速な対応を可能にします。

物体検出のメリットとデメリット#

物体検出がさまざまな業界にもたらす主なメリットを以下に紹介します。

• 自動化: 物体検出は、監視カメラの映像を監視するようなタスクで、人による監視の必要性を減らすのに役立ちます。
• ほかのAIモデルとの連携: 顔認識、動作認識、追跡システムと統合することで、精度と機能性を向上させることができます。
• リアルタイム処理: Ultralytics YOLO11など、多くの物体検出モデルは高速かつ効率的なため、即時の結果が必要なリアルタイムアプリケーションに適しています。

こうしたメリットは、さまざまな用途で物体検出がもたらす効果を示していますが、導入に伴う課題も考慮することが重要です。主な課題を以下に紹介します。

• データプライバシー: 視覚データの利用は、特に監視や医療などの機密性の高い分野では、プライバシー上の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: 物体検出におけるオクルージョンとは、物体の一部が遮られたり見えなくなったりする状態です。そのため、モデルが物体を正確に検出して分類することが難しくなります。

• 計算コストが高い: 高性能モデルは処理に高性能GPU（グラフィックス処理装置）を必要とすることが多く、リアルタイムでの導入にはコストがかかります。

重要なポイント#

物体検出はコンピュータービジョンを大きく変える技術で、画像や動画内の物体を機械が検出し、位置を特定できるようにします。自動運転車から医療まで幅広い分野で活用されており、さまざまなタスクをより簡単、安全、効率的にしています。Ultralytics YOLO11のような新しいモデルを使えば、企業はカスタム物体検出モデルを簡単に作成し、特化したコンピュータービジョンアプリケーションを開発できます。

プライバシーへの懸念や物体が視界から隠れることなど、いくつかの課題はありますが、物体検出は信頼性の高い技術です。タスクの自動化、視覚データのリアルタイム処理、他のビジョンAIツールとの統合が可能なため、最先端のイノベーションに不可欠な要素となっています。

詳しくは、GitHubリポジトリをご覧いただき、コミュニティにご参加ください。ソリューションページでは、自動運転車におけるAIや農業におけるコンピュータービジョンなど、さまざまな分野のイノベーションをご覧いただけます。YOLOのライセンスオプションを確認して、ビジョンAIプロジェクトを実現しましょう。🚀