Ultralytics YOLO11でAIを活用したドローンアプリケーションを構築しましょう

店舗での買い物とオンラインショッピングは似ているように見えますが、それぞれ異なる物流に依存しています。店舗では棚の補充が必要ですが、オンライン注文は玄関先への配送に頼っています。技術の進歩により、両方のショッピング体験が並行して刷新されています。

例えば、配送の分野で大きな転換期が訪れています。AIを搭載したドローンが、私たちの自宅へ商品が届く仕組みを変えつつあります。これらのスマートドローンは、今後10年間で約808 million deliveriesに対応すると予想されており、空が日常的な商取引のための新たな配送ルートへと変わりつつあります。

配送ドローンは、人工知能（AI）と、視覚データを分析するために使用されるAIの下位分野であるcomputer visionを使用して、障害物を回避して移動します。Ultralytics YOLO11のようなコンピュータビジョンモデルは、ドローンがリアルタイムでオブジェクトを検知および追跡するのに役立ち、環境をよりよく理解してやり取りできるようにします。

Fig 1. 荷物を目的地へ運ぶ配送ドローン。

MeituanやDJIなどの企業は、すでにコンピュータビジョンを自社製ドローンに統合しています。実際、さまざまな業界でのドローンの急速な採用により、AI drone marketは2031年までに2,069億ドルに達する勢いで急成長しています。

本記事では、Ultralytics YOLO11のようなコンピュータビジョンモデルが、ドローン配送といったドローンベースのアプリケーションでどのように活用できるかを詳しく解説します。これらの技術を実際のシナリオで利用する前に、どのように開発・テストできるかを示す例を紹介します。

住宅を検出するためにドローンでUltralytics YOLO11を使用する#

配送ドローンの重要な特徴の一つは、飛行しながら家屋を検知する機能です。この機能を再現し、その仕組みを理解するために、空撮ドローンで撮影した映像から家屋を識別できるコンピュータービジョンモデルをトレーニングします。この目的のために、ラベル付けされたデータを使用して事前トレーニング済みのYOLO11モデルをファインチューニングし、家屋を認識・検知できるようにするUltralytics YOLO11のcustom-trainを行います。

そのためには、ドローンからの高品質なビデオデータが必要です。興味深いことに、本物のドローンがなくても、リアルな空中映像を作成することは可能です。その方法を見ていきましょう。

Google Earth Studioを使って人工的なドローン映像を作成する#

Google Earth Studioは、Google Earthの衛星画像や3D画像を使用して静止画やアニメーションコンテンツを作成できるウェブベースのアニメーションツールです。これを使ってリアルな空中映像を作成できます。

最初のステップは、下図のようにGoogle Earth Studioを開いてプロジェクトを作成することです。

サインインするにはGoogleアカウントが必要です。

Fig 2. Google Earth Studioでプロジェクトを作成する。

サインインしたら、人工ドローンビデオの場所を選択します。ページ左上の検索バーを使って場所を検索できます。このチュートリアルではカナダを選択します。また、住宅を検出するモデルを学習させるため、ドローンビデオには住宅の航空写真が含まれている必要があります。

Fig 3. Google Earth Studioを使用して場所を選択する。

次に、最初と最後の時間フレームを設定して、人工ドローンショットの動きをキャプチャします。ドローンショットの開始位置を選択したら、以下に示すように青いひし形を使用して最初のフレームを設定します。

Fig 4. 青いひし形を使って最初のフレームを設定する。

次に、最後のフレームを選択してドローンの目的地を決定します。これにより、ドローン映像に動きの効果を作成できます。これを行うには、（以下で強調表示されている）バーを右側の特定の時間にスライドさせて、ドローンショットに動きの効果を与えます。もう一度、青いひし形を使用して終了ポイントを設定します。

Fig 5. バーを動かして最後のフレームを設定する。

最後に、このプロジェクトを保存し、ページ右上の赤い「Render」ボタンをクリックしてレンダリングします。これにより、ドローンショットの最終的なビデオ出力が得られ、人工ドローンビデオ映像の作成が完了します。

Fig 6. 最終出力ビデオをレンダリングする。

ドローンデータをラベル付けするには？#

人工のドローン動画映像を作成したので、次のステップは映像内の家屋にlabel or annotateを施すことです。また、動画を個別のフレームに分割する必要があります。

始めるには、LabelImgをインストールします。LabelImgはオープンソースの画像ラベル付けツールです。ターミナルからpipパッケージインストーラーを使用して、以下のコマンドを実行することで直接インストールできます：「pip install labelImg」。

インストール後、ターミナルまたはコマンドプロンプトで「labelImg」コマンドを使用してツールを実行できます。これにより、下図のページが表示されます。

Fig 7. LabelImgツールのインターフェース。

一方、オンラインの動画から画像へのコンバーターを使用するか、FFmpegと呼ばれるツールを使用して、動画をフレームに分割することができます。FFmpegは、音声、動画、字幕、および関連するメタデータなどのマルチメディアコンテンツを処理するためのライブラリとツールのコレクションです。

ドローン映像の各フレームを分離するには、以下のターミナルコマンドを使用できます：

ffmpeg -i input_video.mp4 frame_%04d.png

ドローン映像のフレームを分離したら、その中のオブジェクト（家屋）のラベリングを開始できます。LabelImgツールを使用して画像フォルダーに移動し、各画像のオブジェクトにラベル付けを行います。すべてのラベル付けされた画像を保存し、必ず検証してください。画像の注釈付けが終わったら、このデータを使用してUltralytics YOLO11のトレーニングに進むことができます。

Fig 8. アノテーション済みの画像を保存する例。

Ultralytics YOLO11モデルのトレーニングワークフロー#

Ultralytics YOLO11のトレーニングを開始する前に、画像とラベルを整理します。まず、「train」と「valid」という2つのフォルダーを作成します。これらのフォルダーの間で画像を分割します。それぞれの内部に、以下に示すように、画像とそれに対応するラベルファイル（テキスト形式）用の別々のサブフォルダーを作成します。

Fig 9. 画像フォルダーとラベルフォルダーを作成する例。

その後、次のようにUltralytics YOLO11モデルのトレーニングを開始できます。

• Step 1: Ultralytics Python packageをインストールします。ターミナルで「pip install ultralytics」コマンドを実行することでインストールできます。インストール時に問題が発生した場合は、troubleshooting guideを参照して解決のためのヒントやコツを確認してください。
• ステップ 2: パッケージのインストールが完了したら、「data.yaml」という名前のファイルを作成します。これはモデルの学習に不可欠な設定ファイルです。data.yamlファイルには、トレーニングデータセットへのパス、検証データセットへのパス、クラス数（nc）、およびクラス名のリスト（names）を、以下のように含めます。

Fig 10. data.yamlファイルの例。

• Step 3: 「data.yaml」ファイルを設定したら、次のPythonコードを使用してモデルのトレーニングを開始できます。このコードは、事前トレーニング済みのUltralytics YOLO11モデルをロードし、設定に従ってトレーニングを行います。

from ultralytics import YOLO

# Load a Ultralytics YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• Step 4: トレーニングが完了すると、以下に示すような出力が表示されます。これは、ドローンベースのアプリケーション向けにUltralytics YOLO11モデルのトレーニングが正常に完了したことを意味します。

Fig 11. モデル学習後に表示される出力。

ドローンでUltralytics YOLO11を使用して予測を実行する#

トレーニング済みの Ultralytics YOLO11 モデルは、推論と呼ばれるプロセスを通じて予測に使用できるようになりました。推論では、トレーニング中に学習した内容に基づいて、モデルを使用して新規の未見データを分析します。この場合、画像や動画内の家などの特定のオブジェクトを周囲にバウンディングボックスを描画して検出およびラベル付けするためにモデルを使用できます。

予測を実行するには、次の Python コードを使用して、入力動画に対してトレーニング済みの Ultralytics YOLO11 モデルを使用できます。この例では、トレーニングに使用したのと同じ人工のドローン動画を使用しますが、必要に応じて他の動画ファイルを使用することもできます。

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

このコードを実行すると、予測とバウンディングボックスが付加された出力ビデオファイルが保存されます。

Fig 12. 出力ビデオファイルからのフレーム。

様々なアプリケーションのためにドローンにUltralytics YOLO11を統合する#

ドローン配送における家屋の検知は、コンピュータービジョンとUltralytics YOLO11の活用方法の一例にすぎません。以下に、コンピュータービジョン、YOLO11、および空撮ドローンのその他の実際の活用事例をいくつか挙げます。

• 監視とセキュリティ: AI dronesは、広範囲をリアルタイムで監視するために使用できます。不法侵入の検知、不審なアクティビティの追跡、国境や大規模なパブリックイベントでのセキュリティ強化に役立ちます。

• 災害対応と捜索救助: サーマルカメラと物体検出を備えたドローンは、災害地で生存者を見つけるのに役立ちます。また、被害状況の評価や緊急物資の配送も可能です。

• 農業と精密農業: コンピュータビジョンと統合されたドローンは、作物の健康状態を分析し病気を検出するために使用でき、農家が収穫量を増やしながらコストを削減するのに役立ちます。

• マッピングと地理空間分析: 高解像度の3Dマップを収集することで、AIドローンは都市計画や土地測量を支援できます。従来の方法よりも迅速かつ正確な地形評価を提供します。

重要なポイント#

コンピュータビジョンを搭載した AI ドローンは、荷物の配送から緊急時の支援、農業に至るまで、多くの業界を変革しています。このガイドでは、人工のドローン動画の作成、動画内のオブジェクトのラベル付け、Ultralytics YOLO11 のトレーニング、およびそれを使用した家の検出の手順を説明しました。

ドローン映像に物体検出を適用することで、ドローンはよりスマートになり、リアルタイムで自動的に物体を認識および追跡できるようになります。技術が向上するにつれ、AI駆動型ドローンは配送の高速化、セキュリティの向上、災害対応の支援において、さらに大きな役割を果たすようになるでしょう。

our communityに参加し、our GitHub repositoryを探索してビジョンAIについてさらに詳しく学びましょう。また、our licensing optionsを確認して、コンピュータビジョンプロジェクトを始めましょう。AI in manufacturingやcomputer vision in the automotive業界などのイノベーションに興味がありますか？ソリューションページにアクセスして詳細をご覧ください。