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、年次ハイブリッドイベントであるYOLO Vision 2024（YV24）での初披露に続き、コンピュータービジョンにおける最新の進歩であるUltralytics YOLO11を正式にリリースしました。AIコミュニティでは、モデルの機能をいち早く試そうと、大きな期待が高まっています。処理速度と精度が向上し、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はリアルタイムコンピューター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は次のように述べています。「世界はクリーンエネルギーへと向かっていますが、その進み方は十分に速くありません。モデルをより少ないエポック数、データ拡張、データ量で学習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260万個で、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5,600万個で、他のモデルと比べると非常に小さいです。5年前のNvidia GPUのような安価なGPUでも、意欲と少しのコーヒーがあれば学習できます。」

この記事では、Ultralytics YOLO11の機能、改善点、性能ベンチマーク、実際の活用例を詳しく見て、このモデルで何ができるのかを解説します。それでは始めましょう。

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

YOLO11は、コンピュータービジョンモデルであるYOLO（You Only Look Once）シリーズの最新モデルであり、YOLOv5やYOLOv8などの以前のバージョンから大きく進歩しています。Ultralyticsのチームは、コミュニティからのフィードバックと最先端の研究を取り入れ、YOLO11の速度、精度、効率を向上させました。YOLO11はYOLOv8と同じコンピュータービジョンタスクに対応しており、物体検出、インスタンスセグメンテーション、画像分類などを実行できます。既存のワークフローを変更せずにYOLO11へ簡単に切り替えられます。

YOLO11の主な特長の1つは、先行モデルと比較して精度と速度の両面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）を達成します。つまり、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っており、迅速な検出と応答が重要で、1ミリ秒も無駄にできない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が以前のモデルより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 Box平均適合率（AP）、縦軸はNVIDIA T4 GPUでTensorRT10 FP16を使用した場合のレイテンシを示し、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のリリースに伴い、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種類のモデルサイズがあります。ユーザーは、コンピュータービジョンアプリケーションの具体的なニーズに応じて最適なモデルを選択できます。5種類のサイズにより、画像分類、物体検出、インスタンスセグメンテーション、トラッキング、姿勢推定、方向付きバウンディングボックス（OBB）物体検出など、幅広いタスクに柔軟に対応できます。各サイズには各タスク向けのモデルが用意されており、合計25種類のオープンソースモデルがUltralyticsの製品の中核を構成します。これらのモデルは幅広いアプリケーションに適しています。エッジデバイス上の軽量なタスクにおけるYOLO11nの高い効率性から、YOLO11lやYOLO11xを必要とする大規模なアプリケーションまで対応します。

今回初めて、Ultralyticsはエンタープライズモデルを導入します。これは製品ラインアップの重要な節目であり、この新しい技術革新をユーザーにご紹介できることを嬉しく思います。YOLO11では、商用用途向けに特別に設計された独自モデルを5種類提供します。これらのエンタープライズモデルは来月提供開始予定で、100万枚を超える画像で構成されるUltralytics独自の新しいデータセットを使用して学習されており、より堅牢な事前学習済みモデルを提供します。正確な物体検出が不可欠な実環境の高度な用途、たとえば医用画像解析や衛星画像処理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の開発における主な課題の1つは、モデルの小型化、高速化、高精度化という競合する優先事項のバランスを見つけることでした。Ultralyticsの創業者兼CEOであるGlenn Jocherは、次のように説明しています。「YOLOの研究開発に取り組むのは非常に困難です。モデルを小さくし、精度を高め、さらにCPUやGPUなどさまざまなプラットフォームで高速に動作させるという、3つの異なる方向を目指す必要があるからです。これらはすべて互いに競合する要件なので、妥協点を見つけ、どこを変更するか選ばなければなりません。」こうした課題がある中でも、YOLO11は優れたバランスを実現し、YOLOv8などの以前のバージョンよりも速度と精度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では、バックボーンとネックのアーキテクチャを再設計し、特徴抽出を改善するなど、大幅な機能強化を実現しています。その結果、物体検出の精度が向上します。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、速度と効率も最適化されています。さらに、YOLO11は高い適応性を備えており、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シームレスに動作します。この適応性により、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構成で柔軟なデプロイ方法を必要とするユーザーにとって理想的な選択肢となります。

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、特に複雑なユースケースにおいて、さまざまな業界で信頼できるツールです。たとえば、エッジデバイスでもシームレスに動作し、計算能力が限られた環境でリアルタイム分析が求められるアプリケーションに活用できます。優れた例として自動運転があります。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、暗い場所や物体が一部隠れているような厳しい条件でも、歩行者や他の車などの道路上の物体を検出して分析することで役立ちます。迅速かつ正確な検出は事故の防止に役立ち、自動運転車両が安全に走行できるようにします。

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つの興味深い例は、方向付きバウンディングボックス（OBB）に対応していることです。これは、きれいに整列していない物体を検出するうえで不可欠です。OBB物体検出は、農業、地図作成、監視などの業界で特に有用です。航空画像や衛星画像では、作物や建物のように物体が回転して写っていることがよくあるためです。従来のモデルとは異なり、YOLO11はあらゆる角度の物体を識別でき、精度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したら、YOLO11は簡単に利用できます。以下のコード例では、モデルの読み込み、トレーニング、性能のテスト、ONNX形式へのエクスポートの手順を説明します。より詳しい例や高度な使い方については、詳細なガイドやYOLO11を最大限に活用するためのベストプラクティスを掲載したUltralytics公式ドキュメントをご覧ください。

図5. Ultralyticsパッケージを使ったYOLO11の利用。

ノーコードで利用したいユーザーには、Ultralytics Platformから数回クリックするだけでYOLO11モデルを簡単にトレーニング、デプロイできます。Ultralytics Platformの利用を開始するには、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。