AIの専門知識がなくてもカメラベースのビジョン検査システムを構築する

携帯電話、包装済みの商品、自動車部品など、私たちが使うあらゆる製品は、最終消費者である私たちの手元に届く前に、何らかの品質検査を受けています。従来は、手作業による確認や単純なルールベースのシステムで実施されていました。こうした方法は機能するものの、多くの場合、処理が遅く、一貫性に欠け、生産量の増加に合わせて拡張することも困難です。

品質検査のプロセスを改善するために、多くの業界がコンピュータービジョンを導入しています。コンピュータービジョンは、機械が画像や動画を理解するのを助ける人工知能の一分野です。たとえば、Ultralytics YOLO26のようなビジョンAIモデルは、高い精度で欠陥を検出、分類、位置特定するのに役立ちます。

実際の生産環境では、これらのモデルを使って、高速な組立ラインから直接取得した画像を分析できます。製品がさまざまな工程を進む間、産業用カメラが追跡し、システムが傷、部品の欠落、位置ずれなどの問題を確認します。これにより、高スループットの検査を支えながら、欠陥検出の高速化と一貫性の向上を実現できます。

従来、こうしたシステムの構築には複数のツールと高度な技術的専門知識が必要で、複雑かつ時間のかかるプロセスでした。コンピュータービジョンのための新しいエンドツーエンドソリューションであるUltralytics Platformは、データ準備、アノテーション、モデルのトレーニング、デプロイを一か所に集約し、このプロセスを簡素化します。

この記事では、高度なAIの専門知識がなくても、Ultralytics Platformを使って実用的なカメラベースのビジョン検査システムを構築する方法をご紹介します。それでは始めましょう。

品質管理におけるコンピュータービジョンの役割#

Ultralytics Platformで検査システムを簡単に構築する方法を詳しく見る前に、少し立ち止まって、品質検査におけるコンピュータービジョンの役割を理解しましょう。

検査は、製品が品質基準を満たし、欠陥がないことを保証する製造プロセスの重要な一部です。しかし、特に長時間の勤務や大量生産では、結果にばらつきが生じることがあります。

検査の信頼性を高めるために、多くの業界ではマシンビジョンとも呼ばれるコンピュータービジョンを使って、生産ラインの画像を分析し、欠陥を特定しています。こうしたシステムではディープラーニングを活用し、モデルとアルゴリズムが高品質なラベル付き画像の大規模な集合からパターンを学習します。

モデルのトレーニングでは、正常な製品とさまざまな種類の欠陥の両方の例をモデルに提示します。時間の経過とともに、モデルはこれらのパターンを自ら認識できるようになります。トレーニング済みのモデルは、大量の製品を検査し、同じ基準を一貫して適用することで、精度を向上させられます。

品質検査でよく使われるコンピュータービジョンタスク#

マシンビジョンのアプリケーションは、Ultralytics YOLOモデルのように、さまざまな種類のビジョンタスクに対応できるコンピュータービジョンモデルによって実現されます。自動検査ワークフローで、これらのビジョンAIタスクがどのように使われるかをご紹介します。

• 画像分類: このタスクでは、画像全体に「良品」や「不良品」などの単一のラベルを割り当てます。欠陥の位置を示すことなく、製品の品質を大まかに評価できます。
• 物体検出: 画像内の欠陥を特定し、バウンディングボックスを使って位置を特定します。これにより、ひび割れ、傷、部品の欠落などの問題を検出し、位置を特定できます。
• インスタンスセグメンテーション: 物体検出をさらに発展させ、検出された欠陥ごとにピクセル単位のマスクを予測します。これにより、欠陥の形状、サイズ、境界を詳細に分析できます。
• 物体追跡: 複数のフレームにわたって製品を追跡し、生産ラインを移動する製品を追従します。これにより一貫性を保ち、欠陥の見落としを防ぎます。
• 回転バウンディングボックス（OBB）検出: 軸に平行なバウンディングボックスではなく、回転したバウンディングボックスを使って物体を検出するタスクです。欠陥や部品がさまざまな角度で現れる場合に特に有用で、より正確な位置特定が可能になります。

業界全体における品質検査の活用例#

コンピュータービジョンは、製品の品質維持、規格への準拠、手作業による検査の削減を目的として、幅広い業界で使われています。欠陥検出、分類、物体認識、測定、異常検知などの重要な機能を実行します。

図1. マシンビジョンシステムを使って製品を検出・追跡する例。(出典)

実際の活用例をいくつかご紹介します。

• 製造業: 表面の欠陥検出では、生産ライン上の製品画像を分析し、インラインでの欠陥検出を行うことで、傷、へこみ、ひび割れ、変色などの問題を特定します。また、部品の欠落や組み立てエラーをリアルタイムで検出し、継続的な検査を支援できます。
• 自動車: コンピュータービジョンシステムは、エンジン部品や車体パネルを分析して、位置合わせを確認し、損傷を検出します。複雑な形状や手の届きにくい場所の検査で特に効果を発揮し、精密な位置決めや自動検査のためにロボットシステムと連携することもよくあります。
• 電子機器・半導体: こうしたシステムは、プリント基板（PCBs）などの部品における、はんだ付け不良、微細なひび割れ、回路の損傷といった小さな欠陥を検出します。高解像度の画像分析により、手作業の検査では見落とされがちな非常に微細な欠陥も検出できます。
• 包装・物流: ビジョンシステムは、バーコードのスキャン、製品ラベルの読み取り、包装品質の確認を行います。製品が適切に梱包・封かんされ、出荷準備が整っていることを確認し、ミスを減らします。
• 食品・飲料: ビジョンカメラやビジョンセンサーを活用した検査システムは、製品の外観を分析し、封かん不良、汚染リスク、誤ったラベル表示、外観の不一致などの問題を特定することで、品質と安全性の維持に役立ちます。
• 医薬品: コンピュータービジョンは、錠剤、バイアル、包装を検査し、ひび割れ、汚染、誤ったラベル表示、充填量のばらつきなどの欠陥を検出するために使われます。厳格な規制基準への準拠を確保し、製品の安全性を維持できます。

Ultralytics Platformで目視検査ワークフローを効率化#

製品がさまざまな工程を進み、カメラが検査用の画像を継続的に撮影する製造ラインを考えてみましょう。こうした画像を使って、傷、部品の欠落、位置ずれなどの欠陥を確認します。

これまでは、このような検査システムの構築と管理に複数のツールと相応の技術的専門知識が必要でした。

実際、Ultralyticsでは、ビジョンAIコミュニティから、このプロセスが分断されていて時間がかかるという意見を継続的に受け取っています。よく挙げられるボトルネックには、ツールの分散、複雑な環境構築、非効率なデータラベリングのワークフロー、モデルのトレーニングの遅延、デプロイの課題などがあります。こうしたフィードバックは、Ultralytics Platformの設計において重要な役割を果たしました。

図2. Ultralytics Platformの画面例。(出典)

Ultralytics Platformを使えば、開発からデプロイまでの全プロセスを一か所で実行できます。生データをアップロードしてアノテーションを付け、トレーニングデータセットを作成し、そのデータセットを使って欠陥を検出するモデルをトレーニングできます。トレーニング後は、組み込みのツールでパフォーマンスを経時的に監視しながら、これらのモデルをデプロイして生産ラインの新しい画像を分析できます。

ワークフロー全体を一か所に集約するだけでなく、Ultralytics Platformは使いやすさも重視して設計されています。機械学習の経験が限られているユーザーでも、アイデアの段階から本番環境まで迅速に進められます。

Ultralytics Platformを使った画像内の欠陥のラベリング#

Ultralytics Platformでワークフローを一元化できることを確認したところで、データのアップロードと欠陥のラベリングから始めて、ビジョンAIパイプラインの各段階での使い方を見ていきましょう。

Ultralytics Platformでの検査データセット管理#

最初のステップは、データをプラットフォームに取り込むことです。画像、動画、ZIP、TAR、GZなどのデータセットアーカイブをアップロードできます。YOLOやCOCOなどの一般的なデータセット形式に対応しているため、既存のデータセットを追加の手順なしでインポートできます。

コミュニティが共有するデータセットを使えば、さらにすばやく始めることもできます。こうしたデータセットを閲覧してワークスペースにクローンすれば、ゼロから始めるのではなく既存のデータを活用できます。クローンした後は、特定のユースケースに合わせて更新、拡張できます。

複数の実験に取り組んでいる場合は、データセットをNDJSONファイルとしてインポートして再利用できます。追加の変換を行わずに、データセットを簡単に再現または共有できます。

データをアップロードすると、プラットフォームが自動的に準備します。ファイル形式を確認し、アノテーションを処理し、必要に応じて画像をリサイズし、基本的なデータセット統計を生成します。動画はトレーニングに使えるようフレームに分割され、画像は閲覧や分析がしやすいように最適化されます。

Ultralytics Platformによるデータアノテーション#

データの準備ができたら、次のステップはデータアノテーションです。ここでは、モデルが検出対象を学習できるように欠陥にラベルを付けます。Ultralytics Platformにはアノテーションエディターが組み込まれており、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転バウンディングボックス検出などのタスクに対応しています。

ユースケースに応じて、バウンディングボックス、ポリゴン、キーポイントなどのツールを使って手動でデータにラベルを付けられます。作業を効率化するために、プラットフォームはAI支援ラベリングも提供しています。

たとえば、SAMベースのスマートアノテーションでは、簡単なクリック操作で物体にラベルを付けられます。含める領域や除外する領域を選択すると、システムがリアルタイムでマスクを生成し、必要に応じて調整できます。

図3. Ultralytics Platform内のSAMを活用したスマートアノテーション。(出典)

さらに、YOLOベースのスマートアノテーションでは、モデルの予測を使ってラベルを自動生成できます。生成したラベルを確認して調整できるため、すべてを手作業でラベリングすることなく、大規模なデータセットを効率よく処理できます。

アノテーションエディターには、クラス管理、アノテーション編集、キーボードショートカット、元に戻す・やり直す機能なども備わっています。これらの機能により、データセットの拡大に合わせて、一貫性を保ち、アノテーションを確認しやすくなります。

データにラベルを付けると、プラットフォームはクラス分布やアノテーション数などの情報を提供します。これにより、トレーニングに進む前に不足を特定し、不整合を修正して、データセットの品質を向上させられます。

Ultralytics Platformで欠陥検出向けにYOLO26をトレーニング#

次のステップは、ラベル付きデータを使って欠陥を自動検出するモデルのトレーニングです。Ultralytics PlatformはYOLO26を含むUltralytics YOLOモデルのトレーニングに対応しており、物体検出、インスタンスセグメンテーション、画像分類などのタスクに利用できます。

トレーニングは一元化されたダッシュボードで管理でき、トレーニングジョブの設定、実行、監視を一か所で行えます。まず、アップロードしたデータセット、プラットフォーム上でアノテーションを付けたデータセット、プラットフォームで利用できる公開データセットのデータセット、またはコミュニティからクローンしたデータセットなどを選択できます。

データセットを選択すると、トレーニング実行に自動的に関連付けられるため、実験を追跡し、一貫性を保ちやすくなります。

次に、エポック数、バッチサイズ、画像サイズ、学習率などのトレーニングパラメーターを設定できます。これらの設定はモデルの学習方法を制御し、トレーニング時間とパフォーマンスの両方に直接影響します。

トレーニングの実行と監視#

次に、トレーニングの実行方法を選択できます。プラットフォームでは、管理対象GPUを使ったクラウドトレーニング、お手持ちのハードウェアを使ったローカルトレーニング、Google Colabなどの環境を通じたブラウザベースのワークフローに対応しています。

クラウドトレーニングでは、小規模な実験向けのRTX 2000 AdaやRTX A4500、より負荷の高いワークロード向けのRTX 4090やRTX A6000、大規模なトレーニング向けのA100やH100など、さまざまなGPUオプションから選択できます。

トレーニングを開始すると、プラットフォーム上で進捗を直接確認できます。ダッシュボードでは、損失曲線やパフォーマンス指標などの主要なメトリクスに加え、システム使用状況やトレーニングログをリアルタイムで確認できます。これにより、モデルの学習状況を簡単に把握し、潜在的な問題を早期に特定できます。

図 4. Ultralytics Platformを使ってトレーニングの進捗を簡単にモニタリングできます（出典）

複数の実験を実行すると、プラットフォームが設定、データセット、結果を一元管理します。これにより、異なるトレーニング実行を簡単に比較し、適合率、再現率、mAPなどのメトリクスでパフォーマンスを評価して、デプロイに最適なモデルを選択できます。

Ultralytics Platformを通じたビジョンモデルのデプロイ#

トレーニング後は、デプロイに進む前に、新しい未見データに対するトレーニング済みモデルの性能を検証します。Ultralytics PlatformにはPredictタブが組み込まれており、設定不要でブラウザーから直接モデルをテストできます。

画像をアップロードしたり、サンプルデータを使用したり、ウェブカメラで入力をキャプチャしたりでき、結果は視覚的なオーバーレイと信頼度スコアとともにすぐに表示されます。これにより、モデルを実環境のシステムに統合する前に、モデルのパフォーマンスをすばやく確認し、問題を特定できます。

モデルの検証が完了したら、ユースケースに応じたさまざまなオプションを使ってデプロイできます。Ultralytics Platformがサポートするモデルのデプロイオプションを詳しく見てみましょう。

• 共有推論: このオプションではREST API経由でモデルにアクセスできるため、アプリケーションやワークフローに簡単に統合できます。複数のコアリージョンにまたがるマルチテナントシステムで実行され、リクエストは利用可能な最寄りのサービスに自動的にルーティングされます。本番環境に移行する前の開発、テスト、比較的軽い利用に適しています。
• 専用エンドポイント: 本番環境では、独自のコンピューティングリソースを備えた専用エンドポイントとしてモデルをデプロイできます。これらは世界43か所のリージョンでシングルテナントサービスとして実行され、エンドユーザーに近い場所にデプロイすることでレイテンシの低減に役立ちます。また、自動スケーリングとゼロまでのスケーリングにも対応しており、トラフィックに応じてリソースを自動調整できます。
• モデルのエクスポート: モデルをエクスポートすれば、プラットフォーム外のローカルシステムやエッジデバイスで実行できます。プラットフォームはONNX、TensorRT、OpenVINO、CoreML、TensorFlow Liteなど、17種類のフォーマットに対応しています。エクスポートオプションではFP16やINT8量子化などの最適化も利用でき、モデルサイズの縮小や、さまざまなハードウェア環境での推論速度の向上に役立ちます。

Ultralytics Platformを使用したデプロイ済みモデルのモニタリング#

画像処理やコンピュータービジョンソリューションのライフサイクルは、モデルのデプロイで終わるわけではありません。これはビジョン検査システムにも当てはまります。モデルを本番環境で稼働させた後も、状況の変化に応じて信頼性の高いパフォーマンスを維持できるよう、継続的にモニタリングする必要があります。

Ultralytics Platformには組み込みのモニタリングダッシュボードがあり、デプロイ済みモデルのパフォーマンスを明確に確認できます。単一のインターフェースから、リクエストの状況を追跡し、ログを表示し、各デプロイのヘルスステータスを確認できます。モデルの利用状況や、時間の経過に伴う動作を把握できます。

ダッシュボードには、リクエスト総数、エラー率、レイテンシなどの主要なメトリクスが含まれており、パフォーマンスと応答性の評価に役立ちます。これらのメトリクスは定期的に更新され、利用パターンとシステムの信頼性の両方に関するインサイトを提供します。

組み込みの世界地図では、各地域におけるリクエストとデプロイの分布を確認できます。世界各地へのデプロイに対応しているため、このビューを使って地理的な利用状況を追跡し、異なる環境でのモデルのパフォーマンスを把握できます。

図 5. Ultralytics Platformでのデプロイ済みモデルのモニタリング（出典）

より詳細な分析のために、各デプロイにはタイムスタンプ、リクエストの詳細、エラーメッセージを含む詳細なログがあります。ログは重要度でフィルタリングできるため、問題のデバッグや障害の迅速な特定が容易です。また、ヘルスチェックによってリアルタイムのステータスが表示され、デプロイが想定どおり稼働しているか、対応が必要かを確認できます。

モニタリングは最適化でも重要な役割を果たします。入力データ、トラフィック、利用パターンが変化すると、パフォーマンスも変動する可能性があります。メトリクスやログを追跡することで、高いレイテンシ、エラー率の上昇、スケーリングの制限などの問題を特定し、一貫したパフォーマンスを維持するための対策を講じることができます。

ビジョンソリューションの構築にUltralytics Platformを使用するメリット#

ビジョン検査システムの構築とスケーリングにUltralytics Platformを使用する主なメリットをいくつか紹介します。

• 実環境での利用に最適化: 自動スケーリング対応エンドポイント、エッジデプロイ、モデルエクスポートなどの機能により、本番環境でもシステムを安定して稼働させることができます。
• 開発サイクルの短縮: 組み込みツールとデフォルト設定により、生データから稼働可能なシステムまで、より効率的に進められます。
• 使いやすさ: 直感的なインターフェース、効率化されたワークフロー、最小限のセットアップ要件により、初心者から経験豊富なユーザーまで簡単に利用できます。
• 手作業の削減: AI支援アノテーションや自動データ処理などの機能により、反復作業にかかる時間を削減できます。
• 継続的なスケーラビリティ: 要件の変化に応じて、新しいデータの追加やモデルの再トレーニングによってシステムを更新でき、新しい欠陥の種類や条件、複数カメラの構成に対応できます。

重要なポイント#

カメラベースのビジョン検査システムの構築は、複雑である必要も、深いAIの専門知識を必要とする必要もありません。Ultralytics Platformを使えば、生データから稼働可能なシステムを構築し、そのパフォーマンスを一元的にモニタリングできます。これにより、検査システムの構築、改善、実環境での運用を効率化できます。

コミュニティに参加し、GitHubリポジトリを確認して、ビジョンAIについて詳しく学びましょう。コンピュータービジョンプロジェクトを始めるには、ライセンスオプションをご覧ください。製造業におけるAIや自動車業界におけるコンピュータービジョンなどのイノベーションに関心がありますか。ソリューションページで詳細をご確認ください。