コンピューター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) の進歩により、コンピューターや機械は現在、人間と似た方法で世界を認識できるようになっています。例えば、人を認識したり、物体を追跡したり、動画で何が起きているのかという文脈まで理解したりできます。

コンピュータービジョンとは、周囲の世界から得られる視覚情報を機械が理解し、解釈できるようにするAIの分野です。コンピュータービジョンにはさまざまなタスクがあり、それぞれ画像や動画から特定の種類の情報を抽出するように設計されています。例えば、物体検出は画像内のさまざまな物体を識別して位置を特定するのに役立ちます。一方、追跡、セグメンテーション、姿勢推定などのタスクは、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するコンピュータービジョンタスクは、必要な情報の種類によって異なります。Ultralytics YOLO11のようなコンピュータービジョンモデルは、さまざまなコンピュータービジョンタスクをサポートしているため、実世界のVision AIシステムを構築するための信頼性の高い選択肢となります。

このガイドでは、YOLO11のようなモデルがサポートするコンピュータービジョンタスクについて詳しく説明します。それぞれのタスクの仕組みと、さまざまな業界での活用方法を紹介します。早速始めましょう。

コンピュータービジョンタスクとは何ですか？#

コンピュータービジョンタスクは、さまざまな方法で人間の視覚能力を再現することを目的としています。これらのタスクにより、機械は物体を検出し、その動きを追跡し、姿勢を推定し、画像や動画内の個々の要素の輪郭まで描画できます。通常、コンピュータービジョンタスクは、視覚データをより小さな部分に分解するモデルによって実行されるため、機械は何が起きているのかをより明確に解釈できます。

Vision AIモデルであるUltralytics YOLOモデルは、検出、追跡、セグメンテーションなど、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モデルは幅広いユースケースに容易に導入できます。

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

この好例がスポーツ分析です。YOLO11は物体検出を使用してフィールド上の各選手を検出し、その後、物体追跡によって試合中の選手を追跡できます。また、YOLO11の姿勢推定機能は選手の動きや技術の分析に役立ち、インスタンスセグメンテーションによって各選手を背景から分離することで、分析の精度を高められます。

これらのYOLO11対応コンピュータービジョンタスクを組み合わせることで、試合中に起きていることを包括的に把握でき、チームは選手のパフォーマンス、戦術、全体的な戦略について、より深い洞察を得られます。

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#

コンピュータービジョンタスクについて確認したところで、実世界の例を使いながら、YOLO11がサポートする各タスクについて詳しく見ていきましょう。

Ultralytics YOLO11による画像分類のサポート#

写真を見ると、ほとんどの人は、それが犬、山、交通標識のどれを写しているかを簡単に判断できます。これは、私たちがそれらの典型的な見た目を学習しているためです。画像分類は、画像の主要な物体に基づいて画像を分類し、ラベル付けする方法を機械に学習させることで、機械にも同じことを可能にします。対象は「車」、「バナナ」、「骨折のあるX線画像」などです。このラベルにより、コンピュータービジョンシステムは視覚的な内容を理解し、それに応じて応答したり判断したりできます。

このコンピュータービジョンタスクの興味深い用途の1つが野生動物のモニタリングです。画像分類を使用すると、野生で撮影された写真からさまざまな動物種を識別できます。画像に自動でラベルを付けることで、研究者は個体数を追跡し、移動パターンを監視し、絶滅危惧種をより容易に特定して、保全活動を支援できます。

図2. YOLO11を画像分類に使用する例。

Ultralytics YOLO11の物体検出機能#

画像分類は画像に何が含まれているかを全体的に把握するのに役立ちますが、画像全体に1つのラベルを付けるだけです。複数の物体の正確な位置や種類など、詳細な情報が必要な場合は、物体検出が不可欠になります。

物体検出とは、画像内の個々の物体を識別して位置を特定するプロセスであり、多くの場合、物体の周囲にバウンディングボックスを描画します。Ultralytics YOLO11はリアルタイム物体検出に特に優れており、幅広いアプリケーションに適しています。

例えば、小売店で棚の商品を補充するために使用されるコンピュータービジョンソリューションを考えてみましょう。物体検出を使うと、果物、野菜、その他の商品を数え、正確な在庫管理を実現できます。農地では、同じ技術で作物の成熟度を監視し、農家が最適な収穫時期を判断できるようにするとともに、熟した作物と未熟な作物を区別することもできます。

図3。Ultralytics YOLO11を使用した果物の検出。

YOLO11を使用したインスタンスセグメンテーション#

物体検出はバウンディングボックスを使って画像内の物体を識別し、位置を特定しますが、正確な形状までは捉えられません。そこでインスタンスセグメンテーションが役立ちます。物体の周囲にボックスを描くのではなく、インスタンスセグメンテーションはその正確な輪郭をトレースします。

「この領域にリンゴがある」と示すだけでなく、リンゴの正確な形状の輪郭を丁寧に描き、その内部を塗りつぶすものだと考えると分かりやすいでしょう。この詳細な処理により、特に物体同士が近接している場合でも、AIシステムは物体の境界を明確に理解できます。

インスタンスセグメンテーションは、インフラ検査から地質調査まで、さまざまな用途に適用できます。例えば、地質調査のデータをYOLO11で分析し、大小の表面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、エンジニアは問題の位置を特定し、プロジェクト開始前に対処できます。

図4。YOLO11による亀裂のセグメンテーション。

物体追跡：YOLO11でフレーム間の物体を追跡する#

ここまで見てきたコンピュータービジョンタスクは、1枚の画像に何が写っているかに焦点を当てていました。しかし動画では、1つのフレームを超えた情報が必要です。この場合、物体追跡タスクを使用できます。

YOLO11の物体追跡機能は、人や車などの特定の物体が一連の動画フレームを移動する様子を追跡できます。カメラアングルが変わったり、他の物体が現れたりしても、システムは同じ対象の追跡を続けます。

これは、交通中の車両追跡など、時間経過に伴うモニタリングが必要なアプリケーションに不可欠です。実際、YOLO11は車両を正確に追跡し、各車を追うことで速度をリアルタイムに推定できます。そのため、物体追跡は交通監視システムなどにおける重要な構成要素となります。

図5. YOLO11の物体追跡サポートは、速度推定に使用できます。

YOLO11を使用した方向付きバウンディングボックス (OBB) の検出#

実世界の物体は、常に完全に整列しているとは限りません。傾いていたり、横向きになっていたり、奇妙な角度で配置されていたりします。例えば、衛星画像では船や建物が回転して見えることがよくあります。

従来の物体検出手法では、物体の向きに合わせて調整されない固定された長方形のボックスを使用するため、こうした回転した形状を正確に捉えることが困難です。方向付きバウンディングボックス (OBB) 検出は、物体の周囲にぴったり合うように回転し、その角度に合わせてより正確に検出できるボックスを使用することで、この問題を解決します。

港湾監視において、YOLO11のOBB検出サポートを利用すると、船舶の向きに関係なく船舶を正確に識別して追跡できます。これにより、港に入港または出港するすべての船舶を適切に監視できます。この正確な検出によって船舶の位置や動きに関するリアルタイム情報が得られるため、混雑した港の管理や衝突防止に不可欠です。

図6。OBB検出とYOLO11を使用したボートの検出。

姿勢推定とYOLO11：キーポイントの追跡#

姿勢推定は、関節、手足、その他のマーカーなどのキーポイントを追跡し、物体の動きを理解するコンピュータービジョン技術です。物体や身体全体を1つのまとまりとして扱うのではなく、主要なパーツに分解します。これにより、動き、ジェスチャー、相互作用を詳細に分析できます。

この技術の一般的な用途の1つが、人間の姿勢推定です。さまざまな身体部位の位置をリアルタイムに追跡することで、人がどのように動いているかを明確に把握できます。この情報は、ジェスチャー認識や活動モニタリングからスポーツのパフォーマンス分析まで、さまざまな目的に使用できます。

同様に、身体リハビリテーションでは、セラピストが人間の姿勢推定とYOLO11を使用して、エクササイズ中の患者の動きをモニタリングできます。これにより、時間の経過に伴う進捗を追跡しながら、それぞれの動作が正しく行われていることを確認できます。

図7. YOLO11は姿勢推定を使用してワークアウトをモニタリングできます。

YOLO11がさまざまなコンピュータービジョンタスクをサポートする仕組み#

YOLO11がサポートするすべてのコンピュータービジョンタスクについて詳しく見てきたので、次にYOLO11がそれらをどのようにサポートしているかを説明します。

YOLO11は単一のモデルではありません。特定のコンピュータービジョンタスク向けにそれぞれ設計された、専門的なモデルバリアントのスイートです。そのため、YOLO11は幅広い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、カスタムデータセットでこれらのモデルをファインチューニングし、プロジェクト固有の課題に対応することもできます。

特定のビジョンタスク向けに事前学習されたYOLO11モデルバリアントは次のとおりです。

• YOLO11：このモデルは複数の物体をリアルタイムに検出してラベル付けするため、高速な視覚認識に適しています。
• YOLO11-seg：このバリアントは、詳細なマスクを使用して物体を背景から分離するセグメンテーションに重点を置いています。
• YOLO11-obb：このモデルは、各物体の向きに合わせたバウンディングボックスを描画して、回転した物体を検出するように設計されています。
• YOLO11-cls：このバリアントは、画像全体の内容に基づいて単一のカテゴリラベルを割り当て、画像を分類します。
• YOLO11-pose：このモデルは身体上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。

各バリアントには複数のサイズが用意されているため、ユーザーは特定のニーズに応じて速度と精度の適切なバランスを選択できます。

主なポイント#

コンピュータービジョンタスクは、機械が世界を理解し、世界とインタラクションする方法を変えています。画像や動画を主要な要素に分解することで、これらの技術は物体、動き、相互作用を詳細に分析しやすくします。

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が進化し続ける中で、視覚データを日々解釈し活用する方法において、その役割はますます重要になると考えられます。

私たちのコミュニティに参加し、GitHubリポジトリにアクセスして、AIの実際の活用例をご覧ください。ライセンスオプションを確認し、ソリューションページで農業におけるAIと製造業におけるコンピュータービジョンについて詳しくご覧ください。