Apple siliconチップ搭載iOSアプリに最適なオブジェクト検出モデル

AndroidデバイスやiPhoneは、今や日常生活に欠かせない存在です。人々は一日を通して、買い物をしたり、経路を検索したり、写真を撮ったり、商品をスキャンしたり、さまざまなアプリを利用したりしています。

人工知能の急速な発展に伴い、デバイスのカメラで捉えた画像や動画を理解できる機能を備えたスマートフォンが増えています。こうした機能を効率的に実行できるかどうかは、デバイスのハードウェア性能に大きく依存します。

例えば、Appleのエコシステムでは、iPhone、iPad、Macなどのデバイスが、AシリーズやMシリーズといったApple Siliconチップによって駆動されています。これらのSystem-on-Chip（SoC）設計は、CPU、GPU、および専用の機械学習アクセラレーターを統合しており、AIワークロードのオンデバイス推論を可能にしています。

特に、画像解析機能はコンピュータービジョンによって実現されています。これは、物体検出のようなタスクを通じて、機械が画像や動画から視覚情報を解釈・理解できるようにするAIの一分野です。

具体的には、物体検出モデルは画像を分析し、物体の周囲にバウンディングボックスを描画することで物体を特定します。これらのモデルは、Apple Siliconチップのようなモバイルハードウェア上で効率的に実行できるよう最適化されており、iOSデバイス上で直接、リアルタイムの視覚解析を可能にします。

図1. バウンディングボックスで物体が識別された物体検出の例。(ソース)

本記事では、高速でリアルタイムなiOSアプリを構築するための最適な物体検出モデルをいくつか紹介します。それでは始めましょう！

Link to this sectioniOSデバイスでの物体検出器の仕組み#

物体検出は、画像内の物体を認識および特定するアプリをサポートします。アプリが入力画像を処理する際、物体検出モデルはシーンを分析し、物体の周囲にバウンディングボックスを配置してラベルを割り当てることで、さまざまな物体を特定します。

ほとんどの物体検出システムは、学習データ内のパターンを認識できるニューラルネットワークに依存しています。画像タスクにおいて、これらのモデルは大規模な学習データセットからピクセルレベルの情報を分析することで、視覚表現を学習します。

畳み込みニューラルネットワーク（CNN）は、物体検出モデルのバックボーンとして頻繁に使用されます。CNNは、エッジ、形状、テクスチャなどの階層的な視覚的特徴を学習し、シーン内の物体を認識するのに役立つため、画像予測に非常に適しています。

研究者は、コンピュータービジョンのタスクに向けてTransformerベースのアーキテクチャも模索しています。これらのモデルは、画像内のさまざまな領域間の関係を分析し、シーン全体のより広範なコンテキスト情報を捉えます。

モデルアーキテクチャの種類以外に、効率性はiOSデバイスでの物体検出において重要な考慮事項です。これらのモデルはモバイルデバイス上で直接実行されるため、限られた計算リソースを使用しながら画像を迅速に処理する必要があります。

効率的なモデルは、低いレイテンシを維持し、特に継続的なカメラ入力を分析するモバイルアプリにおいて、リアルタイムの物体検出をサポートします。

Link to this sectioniOSに適した物体検出モデルとは？#

iOS向けの優れた物体検出モデルをいくつか掘り下げる前に、まずはモバイルアプリケーションにとって何が優れたモデルを定義するのかを理解しておきましょう。

iOSアプリにとって理想的な物体検出モデルは、パフォーマンス、効率性、信頼性のバランスが取れています。iOS導入に向けた強力なモデルを定義する重要な要素を以下に挙げます。

• 低レイテンシ: モデルは画像を迅速に処理し、特にカメラからの継続的な入力に依存するアプリケーションにおいて、リアルタイムの物体検出をサポートする必要があります。
• 効率的なモデルサイズ: コンパクトなモデルはモバイルデバイス上でより効率的に動作し、通常、メモリや計算リソースの消費を抑えられます。
• 検出精度: 正確な検出により、物体が正しく分類され、シーン、物体のスケール、照明条件が変わってもバウンディングボックスの精度が維持されます。
• 推論の安定性: リアルタイムアプリケーションでは、フレーム間で一貫した推論時間が重要です。処理時間の大きな変動は、フレーム落ちや不安定なカメラ体験の原因となります。
• メモリフットプリント: 推論中に必要なRAMの量は、iOSデバイス上の他のアプリプロセスと並行してモデルがどれほどスムーズに動作するかに影響します。

Link to this sectioniOS向け物体検出モデルの考察#

次に、iOSデバイスで最も広く使用されている物体検出モデルをいくつか見ていきましょう。

Link to this sectionUltralytics YOLOモデル#

Ultralytics YOLOモデルは、リアルタイムのコンピュータービジョンアプリケーション向けに設計された人気の物体検出モデルファミリーです。長年にわたり、UltralyticsはUltralytics YOLOv5、Ultralytics YOLOv8、Ultralytics YOLO11、そして最新の最先端モデルであるUltralytics YOLO26といったビジョンモデルをリリースしてきました。

リリースごとに、検出精度、モデルの効率性、実行時のパフォーマンスが向上しています。これらのアップデートにより、Ultralytics YOLOモデルはスマートフォンなどのエッジデバイスへの適合性がますます高まっています。

図2. YOLO26を使用して、実世界のシーンで複数の物体を検出できます。(ソース)

One of the key benefits of using Ultralytics YOLO models for iOS apps is the CoreML integration provided through the Ultralytics Python package. This open-source library helps developers train, test, and export Ultralytics YOLO models with a simple workflow.

このパッケージは、トレーニング済みモデルをiOSデバイス上でのデプロイに使用されるAppleの機械学習フォーマットであるCoreMLへエクスポートすることをサポートしています。エクスポート後、CoreMLモデルをアプリに統合し、CPU、GPU、Apple Neural Engineなどのハードウェアを使用してデバイス上で直接実行できます。

図3. CoreMLは、アプリ内でAIモデルを統合・実行するためのAppleのフレームワークです。(ソース)

これにより、開発者はモデル推論をデバイス上に保持したまま、リアルタイムの物体検出をiOSアプリに簡単に統合できます。

Link to this sectionApple Silicon上でのUltralytics YOLOモデルのデプロイオプション#

モデルそのものだけでなく、Ultralyticsエコシステムは、Apple Siliconチップ上でのYOLOモデルのデプロイを容易にするさまざまなオプションを提供しています。

例えば、Ultralyticsは最近Ultralytics Platformを導入しました。これは、データセット管理、モデルトレーニング、検証、デプロイを単一の環境に統合するものです。この統合ワークフローにより、複数のツールを使用する必要がなくなり、実験から実用アプリケーションへの道筋が効率化されます。

このプラットフォームの一部として、トレーニング済みモデルはAppleデバイス用のCoreMLを含む複数のフォーマットにエクスポートできます。これにより、数回のクリックでオンデバイス推論用のUltralytics YOLOモデルをエクスポートすることが可能になります。

エクスポート機能に加えて、UltralyticsはiOS向けのオープンソースSwift（iOSアプリ構築に使用されるAppleのプログラミング言語）実装も提供しています。これには、Swiftで書かれたすぐに使えるYOLO iOSアプリが含まれており、CoreMLモデルをどのように統合し、カメラ入力で実行し、リアルタイムの物体検出に使用できるかを示しています。

Link to this sectionUltralytics YOLOモデルのその他の利点#

Ultralytics YOLOモデルがiOSアプリケーションを構築する上で優れた選択肢となる、その他の主な特徴を挙げます。

• さまざまなビジョンタスクをサポート: 物体検出に加え、Ultralytics YOLOモデルはインスタンスセグメンテーション、ポーズ推定、物体追跡、回転バウンディングボックス（OBB）検出、および画像分類に使用できます。
• 複数のモデルサイズ: Ultralyticsは（nano、small、medium、large、extra-largeなど）異なるモデルバリエーションを提供しており、開発者はモバイルデバイスのパフォーマンス制約に合うバージョンを選択できます。
• トレーニング済みモデル: Ultralytics YOLOモデルは、すぐに使用したり、特定のタスクに合わせてファインチューニングしたりできるトレーニング済みモデルとして提供されており、開発時間を短縮します。

Link to this sectionEfficientDet#

EfficientDetは、2019年にGoogleの研究者によって発表された物体検出アーキテクチャです。検出精度と計算効率のバランスをとるように設計されており、リソースが限られた環境に適しています。

EfficientDetの背後にある重要な概念は、コンパウンドスケーリングと呼ばれるスケーリング手法です。ネットワークの深さや画像解像度など、モデルの一部だけを増やすのではなく、このアプローチではアーキテクチャの複数のコンポーネントを同時にスケーリングします。

これらの要素を同時に調整することで、モデルは高精度な構成であれ、軽量なデプロイ向けに最適化された構成であれ、安定したパフォーマンスを維持します。

このアーキテクチャは、EfficientDet-D0からEfficientDet-D7まで、いくつかのバリエーションが利用可能です。小さなモデルは高速な推論とリソース使用量の削減を目的としており、大きなモデルは検出精度の向上を重視しています。

Link to this sectionMobileNet SSD#

MobileNet SSDは、モバイルおよびエッジデバイス上で効率的に動作するように設計された軽量の物体検出モデルです。2017年頃に普及しました。

このモデルは、効率的な特徴抽出に重点を置いたMobileNetバックボーンと、物体の検出を行うSSD（Single Shot Detector）アプローチを組み合わせています。SSDメソッドは、単一のフォワードパスで物体を検出し、バウンディングボックスを生成します。

この設計によりモデルは比較的速くシンプルに保たれており、素早い検出結果が必要なアプリケーションに有用です。MobileNet SSDは、モデルサイズの小ささと推論スピードの速さが重要な状況でよく使用されます。

MobileNetアーキテクチャは必要な計算量を削減し、処理能力が限られたデバイスでもモデルを実行しやすくします。MobileNet SSDは、より新しい検出アーキテクチャほどの精度は実現できないかもしれませんが、一般的な多くの物体検出タスクにおいて十分に機能します。

Link to this sectionCenterNet#

CenterNetは、物体の中心点を予測することで物体を識別する物体検出モデルです。2019年に発表されました。

多くの候補領域を生成するのではなく、このモデルは物体の中心を検出し、その周囲のバウンディングボックスのサイズを予測します。このアプローチにより、検出パイプラインが簡素化され、推論中のステップ数が削減されます。

図4. CenterNetにおける物体検出ステージの概要 (ソース)

CenterNetはリアルタイムの検出タスクに使用でき、一部のマルチステージ検出器と比較して比較的シンプルなアーキテクチャで知られています。ResNetバックボーンを使用したCenterNetなどのバリエーションは、さまざまなコンピュータービジョンアプリケーションで一般的に使用されています。

その効率的な設計により、CenterNetはiOSデバイスで実行されるアプリケーションを含め、高速な物体検出を必要とするシステムに適しています。

Link to this sectionNanoDet#

NanoDetは、エッジデバイスやモバイルデバイスでのリアルタイムアプリケーション向けに設計された軽量の物体検出モデルです。2020年に、モデルサイズと計算要件を非常に低く抑えつつ、効率的な物体検出を提供することを目的として発表されました。

このモデルはシングルステージの検出アーキテクチャを採用しており、ネットワークを一度通過させるだけで物体の位置とカテゴリを予測できます。この設計により、モデルは高速に保たれ、ハードウェアリソースが限られたシステムに適しています。

NanoDetは、コンパクトなバックボーンと最適化された検出ヘッドを使用して、推論中に必要なパラメータと計算数を削減します。これらの設計上の選択は、スピードと効率性を優先しつつ、妥当な検出精度を維持するのに役立ちます。

Link to this sectioniOSアプリに最適な物体検出モデルの選択#

iOSアプリの物体検出モデルを選択する際は、多くの場合、使用事例の特定の要件に依存します。これらのモデルはiPhoneやiPadなどのデバイス上で直接実行されるため、いくつかの要因が最適な選択肢に影響を与えます。

重要な考慮事項を以下に挙げます。

• エネルギー効率: 消費電力が少ないモデルはバッテリー寿命を維持するのに役立ちます。これは、カメラ処理を継続的に行うモバイルアプリにおいて重要です。
• モデル最適化 サポート: 量子化やプルーニングのような最適化技術をサポートしているモデルは、モデルサイズを縮小し、iOSデバイス上でのパフォーマンスを向上させることができます。
• ハードウェア互換性: 選択するモデルアーキテクチャは、CPU、GPU、AppleのNeural Engineを含め、iOSハードウェア上で効率的に動作する必要があります。
• スケーラビリティ: 一部のアーキテクチャは複数のモデルサイズやバリエーションを提供しており、開発者はパフォーマンスとハードウェア要件に最も適したバージョンを選択できます。

Link to this section重要なポイント#

物体検出モデルは、高度なコンピュータービジョン機能をスマートモバイルアプリにもたらします。iOSデバイス上で直接実行されるこれらのモデルにより、アプリはデバイスのカメラからの画像や動画をリアルタイムで分析できるようになります。適切なモデルを選択することで、開発者は信頼性の高いリアルタイムパフォーマンスを提供する、反応の良いビジョン駆動型モバイルアプリを構築できます。

私たちの拡大するコミュニティに参加し、GitHubリポジトリで実践的なAIリソースを探索してください。今すぐビジョンAIを構築したい場合は、ライセンスオプションをご確認ください。農業におけるAIがどのように農業を変革しているのか、またロボティクスにおけるビジョンAIがどのように未来を形作っているのかについては、ソリューションページをご覧ください。