コンピュータビジョンタスクについて知っておくべきすべてのこと

カメラと人工知能（AI）の進歩のおかげで、コンピュータやマシンは、人間と同じような方法で世界を認識できるようになりました。たとえば、人物の認識、オブジェクトの追跡、さらにはビデオ内で起きている状況の把握まで可能になっています。

具体的には、computer visionは、機械が周囲の世界から視覚情報を理解し解釈できるようにするAIの分野です。Computer visionにはさまざまなタスクが含まれており、それぞれが画像や動画から特定の種類のインサイトを抽出するように設計されています。たとえば、オブジェクト検出は画像内のさまざまなアイテムを識別して位置を特定するのに役立ちます。一方、トラッキング、セグメンテーション、姿勢推定などの他のタスクは、機械が動き、形状、位置をより正確に理解するのに役立ちます。

特定のアプリケーションで使用されるcomputer vision taskは、必要なインサイトの種類によって異なります。Ultralytics YOLO11のようなcomputer vision modelsは、さまざまなcomputer vision tasksをサポートしているため、現実世界のVision AIシステムを構築する上で信頼できる選択肢となります。

このガイドでは、YOLO11のようなモデルでサポートされているコンピュータビジョンのタスクを詳しく見ていきます。各タスクがどのように機能し、さまざまな業界でどのように活用されているかを探ります。それでは始めましょう！

コンピュータビジョンのタスクとは何ですか？#

コンピュータビジョンのタスクは、人間の視覚能力をさまざまな方法で再現することを目指しています。これらのタスクは、マシンが物体を検出し、その動きを追跡し、ポーズを推定し、さらには画像やビデオ内の個々の要素を輪郭抽出するのに役立ちます。一般的に、コンピュータビジョンのタスクは、視覚データを小さなパーツに分解して、何が起きているかをより明確に解釈できるようにするモデルによって実現されます。

Ultralytics YOLO modelsのようなVision AI modelsは、検出、追跡、セグメンテーションなどの複数のタスクを1つのフレームワークでサポートします。この汎用性により、YOLO11 modelsは非常に幅広いユースケースに簡単に導入できます。

Fig 1。Ultralytics YOLO11がサポートするコンピュータービジョンタスク。

これの良い例として、スポーツアナリティクスがあります。YOLO11を使用すれば、物体検出によってフィールド上の各プレイヤーを検出し、物体追跡によって試合中ずっと彼らを追いかけることができます。その一方で、YOLO11のポーズ推定機能はプレイヤーの動きやテクニックを分析するのに役立ち、インスタンスセグメンテーションは各プレイヤーを背景から分離し、分析の精度を高めます。

これらのYOLO11対応のコンピュータビジョンタスクが合わさることで、試合中に何が起こっているかを完全に把握でき、チームはプレイヤーのパフォーマンス、戦術、全体的な戦略に関するより深い洞察を得ることができます。

Ultralytics YOLO11がサポートするコンピュータービジョンタスクの概要#

コンピュータビジョンのタスクとは何かを確認したところで、次は実際の例を使いながら、YOLO11でサポートされている各タスクについて詳しく理解していきましょう。

画像分類に対するUltralytics YOLO11のサポート#

写真を見たとき、私たちのほとんどは、それが犬、山、交通標識のどれであるかを簡単に見分けることができます。なぜなら、私たちはこれらが通常どのように見えるかを皆学んでいるからです。Image classificationは、メインのオブジェクト（「車」、「バナナ」、「骨折のあるX線写真」など）に基づいて画像を分類しラベル付けする方法を機械に教えることで、機械が同様のことを行うのを支援します。このラベルは、computer vision systemsが視覚的コンテンツを理解するのに役立ち、それに応じて応答したり決定を下したりできるようにします。

このコンピュータビジョンのタスクの興味深い応用例の一つに、野生生物の監視があります。画像分類を使用すると、野生で撮影された写真から異なる動物種を識別できます。画像を自動的にラベル付けすることで、研究者は個体数を追跡し、移動パターンを監視し、絶滅危惧種をより簡単に特定して、保護活動を支援できます。

Fig 2. image classificationにYOLO11を使用した例。

Ultralytics YOLO11の物体検出機能#

image classificationは画像に何が含まれている全体のアイデアを得るのに役立ちますが、画像全体に1つのラベルしか割り当てません。複数のオブジェクトの正確な位置やIDなどの詳細な情報が必要な状況では、object detectionが不可欠になります。

物体検出は、多くの場合バウンディングボックスで囲むことによって、画像内の個々のオブジェクトを識別して位置を特定するプロセスです。Ultralytics YOLO11はリアルタイムの物体検出において特に優れたパフォーマンスを発揮し、幅広いアプリケーションにとって理想的です。

小売店の棚出しで使用されるコンピュータビジョンソリューションを例に挙げましょう。物体検出は果物、野菜、その他のアイテムをカウントし、正確な在庫管理を確実にします。農業分野では、同じ技術が作物の成熟度を監視し、農家が最適な収穫時期を決定するのを助け、熟したものとそうでないものを区別することさえできます。

Fig 3. Ultralytics YOLO11による果物の検出。

YOLO11を使用したインスタンスセグメンテーション#

object detectionはバウンディングボックスを使用して画像内のオブジェクトを特定して位置を特定しますが、その正確な形状までは捉えません。そこでinstance segmentationの出番です。オブジェクトの周囲にボックスを描画する代わりに、instance segmentationはその正確な輪郭をトレースします。

このように考えると分かりやすいかもしれません。単に「このエリアにリンゴがある」と示すのではなく、リンゴの正確な形状を慎重に輪郭抽出して塗りつぶします。この詳細なプロセスは、特にオブジェクト同士が近い場合に、AIシステムがオブジェクトの境界を明確に理解するのに役立ちます。

インスタンスセグメンテーションは、インフラの検査から地質調査まで、多くのアプリケーションに応用できます。例えば、地質調査のデータはYOLO11を使用して、表面の大小の亀裂や異常をセグメント化できます。これらの異常の周囲に正確な境界を描くことで、エンジニアは問題をピンポイントで特定し、プロジェクトが始まる前にそれに対処できます。

Fig 4. YOLO11による亀裂のセグメンテーション。

物体追跡：YOLO11を使用してフレーム間でのオブジェクトを追跡する#

これまで見てきたcomputer vision tasksは、1つの画像内にあるものに焦点を当てていました。しかし、動画の場合、1フレームを超えるインサイトが必要です。タスクであるobject trackingを使用すると、これを実現できます。

YOLO11の物体追跡機能は、人や車などの特定のオブジェクトがビデオフレームの連続の中で移動する際に、それを追跡できます。カメラアングルが変わったり、他のオブジェクトが現れたりしても、システムは同じターゲットを追跡し続けます。

これは、交通における車の追跡など、長期間の監視が必要なアプリケーションにとって極めて重要です。実際、YOLO11は車両を正確に追跡し、各車を追いかけてリアルタイムで速度を推定できます。これにより、物体追跡は交通監視のようなシステムにおける重要なコンポーネントとなっています。

Fig 5. object trackingに対するYOLO11のサポートは、速度推定に使用できます。

YOLO11を使用した回転矩形ボックス（OBB）の検出#

現実世界のオブジェクトは常に完璧に整列しているわけではなく、傾いていたり、横を向いていたり、奇妙な角度で配置されていたりすることがあります。例えば、衛星写真では、船や建物が回転して見えることがよくあります。

従来のobject detection手法では、オブジェクトの向きに合わせて調整されない固定の長方形ボックスを使用するため、これらの回転した形状を正確に捉えることが困難でした。Oriented bounding box (OBB) detectionは、オブジェクトにぴったりフィットするように回転するボックスを使用することでこの問題を解決し、その角度に合わせてより正確な検出を行います。

港湾監視に関して言えば、YOLO11のOBB検出サポートは、船の向きに関係なく正確に識別・追跡するのに役立ち、港に出入りするすべての船が適切に監視されることを保証します。この正確な検出により、船の位置と動きに関するリアルタイムの情報が提供され、これは忙しい港を管理し、衝突を防ぐために不可欠です。

Fig 6. OBB detectionとYOLO11を使用したボートの検出。

ポーズ推定とYOLO11：キーポイントの追跡#

Pose estimationは、関節、四肢、その他のマーカーなどのキーポイントを追跡してオブジェクトの動きを理解するcomputer visionの技術です。オブジェクトや身体全体を1つの完全なユニットとして扱うのではなく、この方法ではキーパーツに分解します。これにより、動き、ジェスチャー、インタラクションを詳細に分析することが可能になります。

この技術の一般的な応用例に人体ポーズ推定があります。さまざまな身体部位の位置をリアルタイムで追跡することで、人がどのように動いているかの明確な全体像が分かります。この情報は、ジェスチャー認識やアクティビティ監視から、スポーツのパフォーマンス分析まで、さまざまな目的で利用できます。

同様に、理学療法において、セラピストは人体ポーズ推定とYOLO11を使用してエクササイズ中の患者の動きを監視できます。これにより、各動作が正しく行われていることを確認しつつ、経時的な進捗を追跡できます。

Fig 7. YOLO11はpose estimationを使用してワークアウトを監視できます。

YOLO11がさまざまなコンピュータビジョンのタスクをどのようにサポートしているかを探る#

YOLO11でサポートされているすべてのコンピュータビジョンのタスクについて詳しく検討しましたので、次はYOLO11がそれらをどのようにサポートしているかを見ていきましょう。

YOLO11は単なる1つのモデルではなく、それぞれが特定のcomputer vision task向けに設計された特殊なモデルバリアントのスイートです。これにより、YOLO11はさまざまなアプリケーションに適応できる汎用性の高いツールとなっています。また、カスタムdatasetsでこれらのモデルを微調整して、プロジェクト特有の課題に取り組むこともできます。

特定のビジョンタスク向けに事前にトレーニングされたYOLO11 model variantsは次のとおりです。

• YOLO11: このモデルは複数のオブジェクトをリアルタイムで検出しラベル付けするため、高速な視覚認識に最適です。
• YOLO11-seg: このバリエーションは、詳細なマスクを使用してオブジェクトを背景から分離することでセグメンテーションに焦点を当てています。
• YOLO11-obb: このモデルは、各オブジェクトの向きに合わせてバウンディングボックスを描くことで、回転したオブジェクトを検出するように設計されています。
• YOLO11-cls: このバリエーションは、全体的なコンテンツに基づいて単一のカテゴリラベルを割り当てることで画像を分類します。
• YOLO11-pose: このモデルは身体のキーポイントを推定し、姿勢、手足の位置、動きを追跡します。

各バリエーションには異なるサイズが用意されており、ユーザーは特定のニーズに合わせて速度と精度の適切なバランスを選択できます。

重要なポイント#

コンピュータビジョンのタスクは、マシンが世界を理解し相互作用する方法を変えています。画像やビデオを重要な要素に分解することで、これらの技術によりオブジェクト、動き、相互作用を詳細に分析することが容易になっています。

交通安全やスポーツパフォーマンスの向上から、産業プロセスの効率化まで、YOLO11のようなモデルはイノベーションを推進するリアルタイムの洞察を提供できます。Vision AIが進化し続けるにつれ、私たちが日々視覚データを解釈し利用する方法において、ますます重要な役割を果たすことになるでしょう。

our communityに参加し、our GitHub repositoryにアクセスしてAIの実際の動作をご覧ください。ソリューションページでour licensing optionsを調べ、AI in agricultureおよびcomputer vision in manufacturingの詳細をご覧ください。