Ultralytics を活用して、AIの専門知識がなくても、ラベリングから導入まで、カメラベースの視覚検査システムを構築する方法をご紹介します。
Ultralytics を活用して、AIの専門知識がなくても、ラベリングから導入まで、カメラベースの視覚検査システムを構築する方法をご紹介します。
私たちが使用するあらゆる製品――携帯電話であれ、パッケージ商品であれ、自動車部品であれ――は、最終消費者である私たちの元へ届く前に、何らかの形で品質検査を受けています。従来、こうした検査は手作業によるチェックや、単純なルールベースのシステムを用いて行われてきました。これらの方法は機能はしますが、多くの場合、時間がかかり、一貫性に欠け、生産量の増加に伴い拡張が困難です。
品質検査プロセスを改善するため、多くの業界が、機械が画像や動画を理解するのを支援する人工知能の一分野であるコンピュータビジョンに注目しています。例えば、Ultralytics のようなビジョンAIモデルは、欠陥を高い精度でdetect、classify、特定するのに役立ちます。
実際の生産現場では、これらのモデルを用いて、高速な組立ラインから直接取得した画像を分析することができます。製品が各工程を通過する際、産業用カメラがtrack 、システムが傷、部品の欠落、位置ずれなどの不具合をチェックします。これにより、欠陥検出の速度と精度が向上し、高スループットな検査を実現します。
これまで、こうしたシステムを構築するには複数のツールと高度な技術的専門知識が必要であり、そのプロセスは複雑で時間がかかっていました。当社の新しいエンドツーエンドのコンピュータビジョンソリューションである「Ultralytics 」は、データの前処理、アノテーション、モデルのトレーニング、デプロイを一元化することで、このプロセスを簡素化します。
この記事では、Ultralytics を活用して、AIの専門知識がなくても実用的なカメラベースの視覚検査システムを構築する方法について解説します。さっそく始めましょう！
Ultralytics 検査システムの構築をいかに容易にするかについて詳しく説明する前に、ひとまず一歩引いて、品質検査におけるコンピュータビジョンの役割について理解しておきましょう。
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工程の重要な要素です。しかし、特に長時間勤務や大量生産の際には、検査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、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ビジョンを活用し、生産ラインからの画像を分析して欠陥を特定しています。これらのシステムではディープラーニングが用いられており、モデルやアルゴリズムが、高品質なラベル付き画像の膨大なデータセットからパターンを学習します。
モデルの学習中、モデルには正常な製品とさまざまな種類の欠陥の例が提示されます。学習を重ねるにつれて、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。学習が完了すると、モデルは大量の製品を検査し、一貫して同じ基準を適用することで、精度を向上させることができます。
マシンビジョンアプリケーションは、Ultralytics YOLO のような、さまざまな種類の視覚タスクに対応できるコンピュータビジョンモデルによって実現されています。ここでは、これらの視覚AIタスクが自動検査ワークフローでどのように活用されているかについて概要を説明します：
コンピュータビジョンは、製品の品質維持、規格への適合、および手作業による検査の削減を目的として、幅広い業界で広く活用されています。これには、欠陥検出、分類、物体認識、計測、異常検出といった重要な機能が含まれます。
以下に、実際に活用されている事例をいくつか紹介します：
製品がさまざまな工程を経て搬送される製造ラインを想定してください。そこでは、カメラが検査のために絶えず画像を撮影しています。これらの画像は、傷、部品の欠落、位置ずれなどの欠陥をチェックするために使用されます。
これまで、こうした検査システムの構築と運用には、複数のツールとかなりの技術的専門知識が必要とされてきました。
実際、Ultralytics、ビジョンAIコミュニティから、このプロセスがどれほど断片的で時間のかかるものかについて、一貫したフィードバックを受けてきました。その主なボトルネックとしては、ツールの分散、複雑な環境設定、非効率的なデータラベリングワークフロー、モデルトレーニングの遅延、そしてデプロイメントにおける課題などが挙げられます。こうしたフィードバックは、Ultralytics 構築において重要な役割を果たしました。
Ultralytics を使用すれば、開発から導入までの全プロセスを一元的に管理できます。生データをアップロードしてアノテーションを付与することでトレーニング用データセットを作成し、それを用いてdetect モデルを学習させることができます。学習が完了したモデルは、生産ラインから送られてくる新しい画像を分析するために導入でき、組み込みのツールを使用して経時的なパフォーマンスを監視することも可能です。
Ultralytics 、ワークフロー全体を一元化するだけでなく、使いやすさを重視して設計されています。機械学習の経験が浅いユーザーでも、アイデアの段階から本番環境への展開までを迅速に進めることができます。
Ultralytics ワークフローをどのように統合するかを確認したところで、次は、データのアップロードと欠陥のラベリングから始め、ビジョンAIパイプラインの各段階における同プラットフォームの活用方法について順を追って見ていきましょう。
まず最初に、データをプラットフォームに取り込みます。画像や動画、あるいはZIP、TAR、GZ形式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 COCO YOLO 一般的なデータセット形式COCO 、既存のデータセットを追加の手順なしにインポートできます。
コミュニティで共有されているデータセットを利用すれば、より早く作業を開始できます。これらのデータセットを閲覧してワークスペースにクローンを作成すれば、一から始めるのではなく、既存のデータを活用して作業を進めることができます。クローンを作成した後は、特定のユースケースに合わせて更新や拡張を行うことも可能です。
さまざまな実験を行っている場合、データセットをNDJSONファイルとしてインポートすることで再利用が可能になり、追加の変換作業なしに簡単に再現や共有を行うことができます。
データのアップロードが完了すると、プラットフォームが自動的にデータを処理します。ファイル形式の確認、アノテーションの処理、必要に応じて画像のサイズ変更を行い、基本的なデータセットの統計情報を生成します。動画はトレーニングに使用できるようフレーム単位に分割され、画像は閲覧や分析が容易になるよう最適化されます。
データの準備が整ったら、次はデータアノテーションの段階です。ここでは、モデルが何をdetect学習できるよう、欠陥にラベルを付けます。Ultralytics 、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、向き付きバウンディングボックス検出などのタスクに対応した、組み込みのアノテーションエディタが搭載されています。
用途に応じて、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用して、手動でデータにラベル付けを行うことができます。作業を効率化するため、当プラットフォームではAIを活用したラベル付け機能も提供しています。
例えば、SAMアノテーション機能を使えば、クリックするだけでオブジェクトにラベルを付けることができます。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、必要に応じて調整することも可能です。
さらに、YOLOアノテーションでは、モデルの予測結果を用いてラベルを自動的に生成することができます。生成されたラベルは確認・修正が可能であり、すべてを手作業でラベル付けすることなく、大規模なデータセットを効率的に処理できるようになります。
アノテーションエディタには、クラス管理、アノテーションの編集、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、データセットが拡大しても、一貫性を保ちながらアノテーションを確認しやすくなります。
データにラベル付けを行うと、プラットフォームはクラスの分布やアノテーション数などの分析結果を提供します。これにより、トレーニングに進む前に、不足箇所を特定し、不整合を修正し、データセットの品質を向上させることができます。
次のステップは、ラベル付けされたデータを使用して、detect 自動的にdetect モデルを学習させることです。Ultralytics 、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使用できるYOLO26を含む、Ultralytics YOLO 学習をサポートしています。
トレーニングは統合ダッシュボードを通じて管理され、1か所でトレーニングジョブの設定、実行、監視を行うことができます。開始するには、データセットを選択します。データセットには、ご自身でアップロードしたもの、プラットフォーム上でアノテーションを付けたもの、プラットフォーム上で公開されているデータセットから取得したもの、またはコミュニティからクローンしたものが含まれます。
データセットを選択すると、自動的にトレーニング実行にリンクされるため、track や一貫性の維持が容易になります。
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性能の両方に直接影響を与えます。
その後、トレーニングの実行方法を選択できます。このプラットフォームでは、マネージドGPUを利用したクラウドトレーニング、自社ハードウェアを使用したローカルトレーニング、およびGoogle 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を利用する際は、小規模な実験にはRTX 2000 AdaやRTX A4500、負荷の高いワークロードにはRTX 4090やRTX A6000、大規模なトレーニングにはA100やH100といった高性能GPU など、GPU から選択できます。
トレーニングが開始されると、プラットフォーム内で直接進捗状況を監視できます。ダッシュボードでは、損失曲線やパフォーマンス指標といった主要な指標に加え、システムの利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、モデルがどのように学習しているかをスムーズに把握し、潜在的な問題を早期に特定することが可能になります。
複数の実験を実行する際、このプラットフォームは設定、データセット、結果を1か所にtrack 。これにより、異なるトレーニング実行結果を簡単に比較したり、精度、再現率、mAP指標を用いて性能を評価したり、デプロイに最適なモデルを選定したりすることが容易になります。
トレーニングが完了したら、次のステップとして、デプロイに移行する前に、トレーニング済みのモデルが新しい未見のデータに対してどのような性能を発揮するかを確認します。Ultralytics 「Predict」タブが組み込まれており、特別な設定を行うことなく、ブラウザ上で直接モデルのテストを行うことができます。
画像のアップロード、サンプルデータの利用、またはウェブカメラによる入力の取得が可能で、結果は視覚的なオーバーレイと信頼度スコアとともに即座に表示されます。これにより、実システムに組み込む前に、モデルの性能を迅速に確認し、問題点を特定することができます。
モデルの検証が完了したら、ユースケースに応じてさまざまなオプションを使用してデプロイすることができます。以下に、Ultralytics がサポートするモデルデプロイメントのオプションについて詳しく説明します：
画像処理やコンピュータビジョンソリューションのライフサイクルは、モデルの導入で終わるわけではありません。これは視覚検査システムについても同様です。モデルが本番環境で稼働し始めた後は、状況の変化に応じて確実に動作し続けるよう、継続的に監視する必要があります。
Ultralytics 、デプロイされたモデルのパフォーマンスを明確に把握できる監視ダッシュボードが組み込まれています。単一のインターフェースから、track アクティビティtrack 、ログを確認したり、各デプロイメントの健全性ステータスを確認したりできます。これにより、モデルがどのように使用されているか、また時間の経過とともにどのように動作しているかを把握することができます。
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指標が表示され、パフォーマンスや応答性を評価するのに役立ちます。これらの指標は定期的に更新され、利用状況の傾向やシステムの信頼性に関する洞察を提供します。
組み込みの世界地図により、リクエストやデプロイが各リージョンにどのように分散しているかが確認できます。複数のグローバルロケーションにわたるデプロイに対応しているため、このビューを活用することで、地域ごとのtrack 、さまざまな環境におけるモデルのパフォーマンスを理解することができます。
より詳細な分析を行うために、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含まれています。ログは重大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になります。さらに、ヘルスチェックによりリアルタイムのステータスインジケーターが提供され、デプロイが正常に動作しているか、あるいは対応が必要かを確認できます。
監視は最適化においても重要な役割を果たします。入力データ、トラフィック、または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、高遅延、エラー率の上昇、スケーリングの限界といった問題を特定し、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。
ビジョン検査システムの構築および拡張において、Ultralytics を利用する主なメリットは以下の通りです：
カメラベースの視覚検査システムの構築は、必ずしも複雑である必要はなく、高度なAIの専門知識を必要とするものでもありません。Ultralytics を利用すれば、生データから実用的なシステムへの構築、さらにはそのパフォーマンスの監視まで、すべてを一元的に行うことができます。これにより、検査システムの構築、改善、および実環境での運用が効率化されます。
ぜひコミュニティに参加し、GitHubリポジトリをご覧になって、Vision AIについて詳しくご確認ください。コンピュータビジョンプロジェクトをすぐに開始できるよう、ライセンスプランもぜひご確認ください。製造業におけるAIや 自動車業界におけるコンピュータビジョンなどのイノベーションにご興味をお持ちですか？ソリューションページをご覧になり、詳細をご確認ください。
未来の機械学習で、新たな一歩を踏み出しましょう。
