行動分析AIがコンピュータビジョンの可能性を広げています

長年にわたり、コンピュータービジョンのイノベーションは、画像や動画内の犬や車などの物体を識別する物体検出のようなタスクを中心に進められてきました。こうした手法により、自動運転車、製造、医療などの分野での応用が可能になりました。

しかし、こうしたタスクは多くの場合、物体が何であるかを識別することだけに焦点を当てています。ビジョンAIシステムがさらに一歩進めるとしたらどうでしょうか？たとえば、犬を検出するだけでなく、犬がボールを追いかけていることや、歩行者が横断しているために車が急ブレーキをかけていることまで理解できるとします。基本的な認識から文脈理解へのこの転換は、よりスマートで文脈を認識する行動AIへの大きな進歩を意味します。

YOLO Vision 2024 (YV24)は、ビジョンAIの進歩を祝うUltralyticsの年次ハイブリッドイベントです。The Main BranchのCEOであるDavid Scottによる興味深い講演では、AIを活用した行動分析が中心的なテーマとなりました。

Davidは講演の中で、基本的なコンピュータービジョンタスクから行動追跡への移行について解説しました。高度なテクノロジーアプリケーションの構築に25年以上携わってきた経験をもとに、この進歩がもたらす影響を紹介しました。また、パターンや行動を読み解くことが、農業や動物福祉などの業界をどのように変えているかを強調しました。

この記事では、Davidの講演の要点を紹介し、行動追跡によってAIがどのように実用的になるかを解説します。

AI導入における課題を理解する#

David Scottは基調講演を率直な現実認識から始め、次のように述べました。「同僚がよく『科学は売れない』と言います。科学が大好きな私たちの多くにとって、これは少し不愉快な言葉です。AIは本当にすばらしいのに、なぜ人々は買わないのでしょうか。しかし実際には、私たちがすばらしいと思うからというだけで、人々が買いたいと思うわけではありません。買う理由が必要なのです。」

さらに、彼の会社であるThe Main Branchでは、AIの能力を見せつけるのではなく、常にAIを使って現実の問題を解決することに重点を置いていると説明しました。AIを一般的にどう活用できるかについて相談に来る顧客は多いものの、彼はそれを本末転倒だと考えています。問題がないのに解決策を用意するようなものだからです。その代わり、具体的な課題を持ち込む顧客と協力し、実際に役立つAIソリューションを作っています。

図1. YV24のステージに立つDavid Scott。

Davidはまた、彼らの仕事がシーン内の物体を認識するだけにとどまらないことも話しました。何が存在するかを見つけることは、最初の一歩にすぎません。その情報をどう活用し、より大きなバリューチェーンの中で役立てるかを見極めることに、本当の価値があります。

行動追跡技術：実用的なAIの鍵#

AIを真に役立つものにするための重要な一歩は、物体検出などの基本的なコンピュータービジョンタスクを超え、得られた知見を行動追跡に活用することです。Davidは、行動AIは物体を識別するだけでなく、行動やパターンの理解に重点を置くと強調しました。これによりAIは、意味のある出来事を認識し、実行に移せる知見を提供できるようになります。

Davidは、床の上を転げ回る動物の例を挙げました。これは病気の兆候である可能性があります。人が動物を24時間見守ることはできませんが、行動追跡機能を備えたAI活用の監視システムなら可能です。こうしたソリューションは物体を継続的に監視し、特定の行動を検出してアラートを送信することで、適切なタイミングでの対応を可能にします。これにより、生データが実用的で価値のある情報に変わります。

Davidはまた、このアプローチによってAIが興味深いだけでなく、真に大きな影響をもたらすことを示しました。行動を監視してそれに基づいて対応するなど、実際の問題に取り組むことで、行動追跡はさまざまな業界における効果的なAIソリューションの重要な要素となります。

行動AIを実現する#

David Scottは続いて、コンピュータービジョンモデルであるUltralytics YOLOv8が、チームの行動追跡プロジェクトに大きな進歩をもたらしたことを説明しました。これにより、物体の検出、分類、追跡のための確かな基盤ができました。さらにチームはYOLOv8をカスタムトレーニングし、実際の状況でより実用的かつ有用になるよう、行動を経時的に監視することに重点を置きました。

興味深いことに、Ultralytics YOLO11のリリースにより、The Main Branchが開発したようなソリューションの信頼性と精度がさらに向上する可能性があります。このモデルは、精度の向上や処理の高速化などの機能を備え、行動を追跡する能力を高めます。行動AIの用途について理解を深めた後、これについてさらに詳しく説明します。

次に、Davidが紹介したソリューションと、行動追跡技術が日常的な課題の解決や有意義な成果の実現に向け、実際の用途でどのように使われているかを見ていきましょう。

AIを活用した行動分析を行うHerdSense#

まず、Davidは、HerdSenseというプロジェクトで取り組んだ魅力的な課題について共有しました。このプロジェクトでは、大規模な肥育場で何千頭もの牛の健康状態を監視しました。目標は、個々の牛の行動を追跡し、健康上の問題の可能性を特定することでした。これは、同時に何万頭もの動物を見守ることを意味し、簡単な作業ではありませんでした。

図2. HerdSenseは、行動AIを使用した牛の監視と識別に重点を置いていました。

各牛を識別して行動を追跡する課題の解決に着手するため、Davidのチームは2日間のワークショップを実施し、監視が必要なあらゆる行動を洗い出しました。合計で200種類以上の行動を特定しました。

200種類すべての行動を分析するには、個々の牛を正確に認識できる必要がありました。すべてのデータを特定の動物に関連付ける必要があったためです。大きな課題の一つは、牛が集まって群れになったときの追跡でした。その状態では、個々の牛を見分けることが難しくなります。

Davidのチームは、難しい状況でも各牛を一貫して識別できるコンピュータービジョンシステムを開発しました。同じ牛が視界から消えたり、ほかの牛の群れに紛れたり、後から再び現れたりしても、常に同じIDが割り当てられることを確認できました。

コンピュータービジョンを使用した馬の健康状態の監視#

続いてDavidは、同様の行動追跡手法を馬の監視に応用した、もう一つの興味深いプロジェクトを紹介しました。このプロジェクトでは、牛の場合ほど個々の馬のIDを細かく追跡する必要はありませんでした。その代わり、特定の行動に焦点を当て、食事のパターンや全般的な活動レベルなどを追跡し、健康問題を早期に発見することを目指しました。行動の小さな変化を見つけることで、より適切なケアのために迅速な対応が可能になり、問題の深刻化を防げます。

図3. 行動AIを活用した馬の監視。

行動AIが見た目ほど単純ではない理由#

Davidは興味深い例を通じて、行動追跡の複雑さについても説明しました。行動分析を改善する方法を調べていたとき、チームは、ポケットに手を入れているといった特定の姿勢を分析して万引きを検出すると主張する企業を見つけました。最初は、動きによって不審な行動を推測できるのだから、賢いアイデアのように思えました。

図4. 行動追跡技術の課題を理解する。

しかし、さらに検討を進めるうちにDavidは、この方法の限界に気づきました。ポケットに手を入れているという単一の姿勢だけで、万引きしているとは限りません。単にくつろいでいる、考え事をしている、あるいは寒がっているだけかもしれません。個々の姿勢だけに注目する問題は、より広い文脈を無視することです。行動は単一の動作ではなく、文脈や意図によって形作られる、時間の経過に伴う動作のパターンです。

Davidは、真の行動追跡ははるかに複雑で、全体的なアプローチが必要だと強調しました。一連の動作を分析し、全体像の中でそれらが何を意味するかを理解する必要があります。AI業界は進歩を続けていますが、意味のある正確な知見を提供できる行動追跡を実現するには、まだ取り組むべき課題が残っていると述べました。

行動を理解する、よりスマートなビジョンAIモデルの構築#

続いてDavidは、Ultralytics YOLOv8とその姿勢推定機能を活用し、牛の健康状態を監視するコンピュータービジョンソリューションをチームがどのように構築したかを紹介しました。

まず、牛の姿勢推定用のカスタムデータセットを作成し、モデルが動きをより適切に分析できるよう、標準のキーポイント数を17から145に増やしました。その後、200万枚を超える画像と1億1,000万件の行動例からなる大規模なデータセットでモデルをトレーニングしました。

高度なハードウェアインフラストラクチャを活用することで、Davidのチームは従来のハードウェアでは数週間かかるトレーニングを、わずか2日で完了できました。トレーニング済みモデルはその後、複数の動画フレームを同時に分析して牛の行動パターンを検出するカスタム行動トラッカーと統合されました。

その結果、食べる、飲む、横になるなど、牛の8種類の行動を検出・追跡し、健康上の懸念を示す可能性がある小さな行動の変化を見つけられる、ビジョンAIを活用したソリューションが生まれました。これにより、農家は迅速に対応でき、群れの管理を改善できます。

行動AIの今後#

Davidは講演の最後に、聴衆に向けて重要な教訓を伝えました。「AIに失敗する余地を与えなければ、結局は自分が失敗することになります。なぜなら、最終的には統計に基づくものだからです。」AIには多くの強みがある一方、完璧ではないと指摘しました。AIはパターンから学習するツールであり、常に正しい結果を出せるとは限りません。失敗を恐れるのではなく、失敗に対処し、時間とともに改善を続けられるシステムを構築することが重要です。

これは、コンピュータービジョンモデル自体にも当てはまります。たとえば、当時のUltralytics YOLOモデルの最新バージョンであったUltralytics YOLO11（その後、Ultralytics YOLO26が登場）は、YOLOv8を超える次の段階を目指して開発されました。

図5. Ultralytics YOLO11がサポートするコンピュータービジョンタスク。

特にUltralytics YOLO11は、農業や医療など、精度が重要となるリアルタイムアプリケーションで優れたパフォーマンスを発揮します。高度な機能により、YOLO11はさまざまな業界でリアルタイムの知見を得て、課題により効果的に取り組めるよう支援します。

重要なポイント#

YV24でのDavidの基調講演は、AIが単なる魅力的なイノベーションではなく、現実の問題を解決し、生活や仕事のあり方を改善する強力なツールであることを改めて示しました。行動に焦点を当てることで、AIは動物の健康状態の追跡や日常の行動における意味のあるパターンの認識など、すでにさまざまな分野に影響を与えています。

行動AIの可能性は大きく、私たちはまだその出発点にいるにすぎません。生データを実行可能な知見に変えることで、行動AIは受動的な監視から積極的な問題解決へと進化します。さらなる発展に伴い、行動AIはよりスマートな意思決定やプロセスの効率化を促し、私たちの生活に有意義な改善をもたらすと期待されます。

AIとその実社会での活用について詳しく知るには、コミュニティにご参加ください。GitHubリポジトリでは、農業分野のAIや製造業におけるコンピュータービジョンなどの分野におけるイノベーションをご覧いただけます。