Ultralytics YOLO11とその活用事例について知っておくべきすべて

9月30日（月曜日）、UltralyticsはUltralytics YOLO11を正式に発表しました。当時、コンピュータビジョンにおける最新の進歩であり、Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)での初披露に続くものでした。AIコミュニティは、このモデルの機能をいち早く検証しています。より高速な処理、高い精度、エッジデバイスとクラウドデプロイの両方に最適化されたモデルにより、YOLO11はリアルタイムのコンピュータビジョンアプリケーションの可能性を広げます。

インタビューで、Ultralyticsの創業者兼CEOであるGlenn Jocherは、「世界はクリーンエネルギーへ移行していますが、速度が十分ではありません。モデルをより少ないエポック数、より少ないデータ拡張、より少ないデータでトレーニングできるようにしたいと考えており、その実現に向けて懸命に取り組んでいます。最小の物体検出モデルであるYOLO11nのパラメーター数はわずか260万で、JPEG画像ほどのサイズです。本当に驚くべきことです。最大の物体検出モデルであるYOLO11xでも、パラメーター数は約5,600万で、他のモデルと比べても非常に小さいものです。5年前のNvidia GPUのような安価なGPUでも、少しの意欲とコーヒーがあればトレーニングできます」と述べています。

この記事では、Ultralytics YOLO11の機能、改良点、性能ベンチマーク、実世界での用途を詳しく見て、このモデルで何ができるかを解説します。

Ultralytics YOLO11を理解する：過去のバージョンからの改善点#

発表当時、YOLO11はコンピュータビジョンモデルのYOLO（1回だけ見る）シリーズの最新モデルでした（その後、Ultralytics YOLO26に引き継がれました）。YOLOv5やYOLOv8などの以前のバージョンと比べて、大幅に改善されています。Ultralyticsのチームは、コミュニティからのフィードバックと最新の研究成果を取り入れ、YOLO11の高速化、高精度化、効率化を実現しました。YOLO11は、物体検出、インスタンスセグメンテーション、画像分類など、YOLOv8と同じコンピュータビジョンタスクにも対応しています。既存のワークフローを変更せずに、簡単にYOLO11へ切り替えられます。

YOLO11の主な特長の1つは、前世代モデルと比較して精度と速度の両方で優れた性能を発揮することです。YOLOv8mよりパラメーター数が22%少ないYOLO11mは、COCOデータセットでより高い平均適合率（mAP）を達成しており、物体をより正確かつ効率的に検出できます。処理速度の面でも、YOLO11は以前のモデルを上回るため、迅速な検出と応答が重要で、ミリ秒単位が問われるリアルタイムアプリケーションに最適です。

以下のベンチマークグラフは、YOLO11が以前のモデルと比べて優れている点を示しています。横軸は物体検出の精度を測定するCOCOボックス平均適合率（AP）、縦軸はNVIDIA T4 GPU上でTensorRT 10 FP16を使用したレイテンシを示し、モデルのデータ処理速度を表します。

図1. Ultralytics YOLO11は最先端のリアルタイム物体検出機能を提供します。

Ultralytics YOLO11モデルのリリース：オープンソース版とエンタープライズ版#

Ultralytics YOLO11の公開に伴い、Ultralyticsは、業界全体で高まる需要に応えるため、オープンソースモデルとエンタープライズモデルの両方を提供し、YOLOシリーズを拡充しています。

図2. 今回のリリースで、Ultralyticsは30種類の新しいモデルを提供します。

YOLO11には、Nano、Small、Medium、Large、Xの5つのモデルサイズがあります。ユーザーは、コンピュータビジョンアプリケーションの具体的な要件に応じて最適なモデルを選択できます。この5つのサイズは、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、方向付きバウンディングボックス（OBB）物体検出、トラッキングなどのタスクで柔軟に利用できます。各サイズには各タスク向けのモデルが用意されており、Ultralyticsの製品群の中核をなす25種類のオープンソースモデルが揃っています。YOLO11nの優れた効率性を活かせるエッジデバイス上の軽量タスクから、YOLO11lやYOLO11xが必要となる大規模な用途まで、幅広いアプリケーションに適しています。

Ultralyticsは初めてエンタープライズモデルを導入し、製品ラインアップの大きな節目を迎えました。この新しいイノベーションをユーザーの皆様にご紹介できることを楽しみにしています。YOLO11では、商用用途に特化した独自モデルを5種類導入します。来月提供開始予定のこれらのエンタープライズモデルは、100万枚を超える画像で構成されるUltralyticsの新しい独自データセットでトレーニングされ、より堅牢な事前トレーニング済みモデルを実現します。精密な物体検出が重要となる医用画像解析や衛星画像処理など、要求の厳しい実世界の用途向けに設計されています。

次世代Ultralytics YOLO11の機能を探る#

Ultralytics YOLO11の機能を確認したところで、YOLO11の特長を見ていきましょう。

YOLO11の開発における重要な課題の1つは、相反する優先事項のバランスを取ることでした。モデルをより小さく、より高速に、そしてより高精度にすることです。Ultralyticsの創業者兼CEOであるGlenn Jocherは、「YOLOの研究開発は非常に難しいものです。モデルを小さくし、精度を高め、CPUやGPUなどさまざまなプラットフォームで高速化するという、3つの異なる方向を同時に目指す必要があります。これらは互いに相反するため、妥協し、変更を加える箇所を選ばなければなりません」と説明しています。こうした課題にもかかわらず、YOLO11は優れたバランスを実現し、YOLOv8など以前のバージョンよりも速度と精度の両方を向上させています。

図3. Ultralytics YOLO11を使った物体検出の例。

Ultralytics YOLO11は、再設計されたバックボーンとネックのアーキテクチャによる特徴抽出の改善など、大幅な強化を実現し、より正確な物体検出を可能にします。また、高い精度を維持しながら処理時間を短縮できるよう、速度と効率性を最適化しています。さらに、YOLO11はさまざまな環境に高い適応性を備え、エッジデバイス、クラウドプラットフォーム、NVIDIA GPUを搭載したシステムで動作します。モバイルデバイスから大規模サーバーまで、さまざまなハードウェア環境で柔軟なデプロイ方法を必要とするユーザーに最適です。

Ultralytics YOLO11のリアルタイムアプリケーション#

Ultralytics YOLO11は汎用性が高く、多くの業界で信頼できるツールです。特に複雑な用途でその力を発揮します。たとえば、エッジデバイス上で効率的に動作し、計算能力に限りのある環境でリアルタイム分析を必要とするアプリケーションに利用できます。自動運転はその好例です。車両はすべての人の安全を守るため、瞬時に判断する必要があります。YOLO11は、歩行者や他の車などの道路上の物体を検出・分析し、暗所や物体の一部が隠れているような厳しい状況にも対応します。迅速かつ正確な検出は事故の防止に役立ち、自動運転車が安全に走行できるよう支援します。

図4. YV24のステージでUltralytics YOLO11の活用例について話すGlenn Jocher。

Ultralytics YOLO11の幅広い機能を示すもう1つの興味深い例が、方向付きバウンディングボックス（OBB）への対応です。これは、きれいに整列していない物体の検出に不可欠です。OBB物体検出は、航空画像や衛星画像に作物や建物など、回転した物体が写ることの多い農業、地図作成、監視などの業界で特に役立ちます。従来のモデルと異なり、YOLO11はあらゆる角度の物体を識別でき、精密さが求められるタスクでより正確な結果を提供します。

AI開発者向けUltralytics YOLO11：実際に試してみましょう#

YOLO11は、コーディングを使う方法でもノーコードの方法でも、簡単に利用を開始できます。コードを使ってYOLO11を利用するには、Ultralytics Pythonパッケージでモデルを簡単にトレーニングしてデプロイできます。ノーコードで利用したい場合は、Ultralytics Platformから数回クリックするだけでYOLO11を試せます。

Ultralytics YOLO11のコードの解説#

PythonでYOLO11を利用するには、まずUltralyticsパッケージをインストールする必要があります。pip、conda、Dockerから、好みの方法でインストールできます。インストール手順やベストプラクティスについて詳しくは、Ultralyticsインストールガイドをご覧ください。YOLO11に必要なパッケージのインストールで問題が発生した場合は、解決方法やヒントをまとめたよくある問題のガイドをご参照ください。

Ultralyticsパッケージをインストールすれば、YOLO11は簡単に使用できます。以下のコードスニペットでは、モデルを読み込み、モデルをトレーニングし、モデルの性能をテストして、モデルをエクスポートし、ONNX形式で出力する手順を順を追って説明します。より詳しい例や高度な使い方については、YOLO11を最大限に活用するための詳細なガイドやベストプラクティスが掲載されているUltralyticsの公式ドキュメントをぜひご参照ください。

図5. Ultralyticsパッケージを使ったYOLO11の利用。

コードを使わない方法を希望するユーザーには、Ultralytics Platformが、数回クリックするだけでYOLO11モデルをトレーニングしてデプロイできる簡単な方法を提供します。Ultralytics Platformを使い始めるには、Ultralytics Platformでアカウントを作成するだけで、直感的なインターフェースからモデルのトレーニングと管理を始められます。

Ultralytics YOLO11：ビジョンAIの未来を切り開く#

AIコミュニティは、実環境のアプリケーション向けに、より高速で高精度なモデルの開発を目指し、コンピュータービジョン分野を絶えず進歩させています。Ultralytics YOLO11はこの取り組みにおける重要な節目であり、速度、精度、柔軟性を向上させています。リアルタイムアプリケーションやエッジアプリケーション向けに設計されており、医療や自動運転などの業界に最適です。Ultralytics Pythonパッケージを使う場合も、ノーコードのUltralytics Platformを使う場合も、YOLO11は複雑なビジョンAIタスクを簡素化します。高性能なコンピュータービジョン機能を提供するため、開発者や企業にとって優れた選択肢です。

GitHubリポジトリをご覧いただき、活発なコミュニティに参加してAIについて学びましょう。ヘルスケアや農業などの分野で、ビジョンAIがどのようにイノベーションを推進しているかをご覧ください。