Ultralytics YOLO11でAI搭載ドローンアプリケーションを構築

実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。店舗では棚への商品の補充が必要ですが、オンライン注文では玄関先への配送が必要です。技術の進歩により、どちらの買い物体験も並行して変化しています。

たとえば、配送では大きな変化が起きています。AI搭載ドローンが、商品を家庭に届ける方法を変えつつあります。こうしたスマートドローンは、今後10年間で約8億800万件の配送を担うと予想されており、日常の商取引における新たな配送ルートとして空が利用されるようになります。

配送ドローンは、人工知能 (AI) とコンピュータービジョンを使って、障害物を避けながら航行・操縦します。コンピュータービジョンは、視覚データの分析に使用されるAIの一分野です。Ultralytics YOLO11のようなコンピュータービジョンモデルは、ドローンが物体をリアルタイムで検出・追跡するのに役立ち、周囲の環境をより的確に理解して対応できるようにします。

図 1。荷物を届け先に運ぶ配送ドローン。

MeituanやDJIなどの企業は、すでにドローンにコンピュータービジョンを導入しています。実際、さまざまな業界でドローンの導入が急速に進み、AIドローン市場は2031年までに2,069億ドルに達すると予測されています。

この記事では、Ultralytics YOLO11のようなコンピュータービジョンモデルを、ドローン配送などのドローンベースのアプリケーションにどのように活用できるかを詳しく見ていきます。これらの技術を実環境で使用する前に、開発・テストする方法を示す例を紹介します。

ドローンでUltralytics YOLO11を使って家屋を検出する#

配送ドローンにとって、航行中に家屋を検出する能力は重要です。この機能を再現し、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。このためにUltralytics YOLO11をカスタムトレーニングします。これは、ラベル付きの例を使っ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・検出できるようにするものです。

そのためには、ドローンで撮影した高品質な動画データが必要です。興味深いことに、実際のドローンを利用できなくても、リアルな空撮映像を生成できます。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はウェブベースのアニメーションツールです。Google Earthの衛星画像や3D画像を使って、静止画やアニメーションコンテンツを作成できます。このツールを使って、リアルな航空映像を作成できます。

まず、Google Earth Studioを開いてプロジェクトを作成します。以下に手順を示します。

サインインするにはGoogleアカウントが必要です。

図 2. Google Earth Studioでのプロジェクト作成。

サインインしたら、人工的なドローン動画の撮影場所を選択できます。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びます。また、家屋を検出するモデルをトレーニングするため、ドローン動画には家屋を上空から撮影した映像が必要です。

図 3. Google Earth Studioを使った場所の選択。

次に、人工的なドローン映像の動きを捉えるため、最初と最後のフレームを設定します。ドローン映像の開始位置を選んだら、以下に示すように青いひし形を使って最初のフレームを設定します。

図 4. 青いひし形を使った最初のフレームの設定。

次に、ドローンの目的地を決める最後のフレームを選択します。これにより、ドローン映像に動きを加えられます。以下で強調表示されているバーを右にスライドして特定の時刻に合わせ、ドローン映像に動きを加えます。最後のポイントも、青いひし形を使って設定します。

図 5. バーを動かして最後のフレームを設定。

最後に、ページ右上の赤い「Render」ボタンをクリックして、プロジェクトを保存し、レンダリングできます。これにより、ドローン映像の最終的な動画が出力され、人工的なドローン映像が完成します。

図 6. 最終出力動画のレンダリング。

ドローンデータにラベルを付ける方法#

人工的なドローン映像を作成したら、次は映像内の家屋にラベル付けまたはアノテーションを行います。また、動画を個々のフレームに分割する必要があります。

まず、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リングツールです。pipパッケージインストーラーを使って、次のコマンドを実行すればターミナルから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」コマンドを実行すると、以下の画面が表示されます。

図 7. LabelImgツールのインターフェース。

その間に、オンラインの動画・画像変換ツール、またはFFmpegというツールを使って、動画をフレームに分割できます。FFmpegは、音声、動画、字幕、および関連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ライブラリとツールの集合です。

次のターミナルコマンドを使って、ドローン映像の各フレームを分割できます。

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

ドローン映像のフレームを切り出したら、画像内の物体（家屋）のラベリングを始められます。LabelImgツールで画像フォルダーを開き、各画像内の物体にラベルを付けます。LabelImgがラベルをYOLO形式で保存する設定になっていることを確認し、ラベル付けした画像をすべて保存して検証してください。画像のアノテーションが完了したら、このデータを使ってUltralytics YOLO11をトレーニングできます。

図 8. アノテーション済み画像を保存する例。

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」という名前のフォルダーを作成します。画像をこれらのフォルダーに分けて格納します。それぞれのフォルダー内に、以下に示すように、画像用と対応するラベルファイル（テキスト形式）用のサブフォルダーを作成します。

図 9. 画像フォルダーとラベルフォルダーを作成する例。

次に、以下の手順でUltralytics YOLO11モデルのトレーニングを開始します。

• ステップ 1: Ultralytics Pythonパッケージをインストールします。ターミナルで「pip install ultralytics」コマンドを実行してください。インストール時に問題が発生した場合は、解決に役立つヒントや方法を紹介したトラブルシューティングガイドをご覧ください。
• 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。これはモデルのトレーニングに不可欠なデータセット設定ファイルです。data.yamlファイルには、以下のように、トレーニングデータセットのパス、検証データセットのパス、クラス数（nc）、クラス名のリスト（names）を記述します。

図 10. data.yamlファイルの例。

• ステップ3: 「data.yaml」ファイルの設定が完了したら、以下のPythonコードを使っ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 YOLO11nモデルを読み込み、設定に従ってトレーニングします。

from ultralytics import YOLO

# YOLO11モデルを読み込む
model = YOLO("yolo11n.pt")  # モデルを選択します（例: YOLO11 nano）

# データと設定を使ってモデルをトレーニングする
model.train(data="data.yaml", epochs=100, imgsz=640)

• ステップ 4: トレーニングが完了すると、以下の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示しています。

図 11. モデルのトレーニング後に表示される出力。

ドローンでUltralytics YOLO11を使って推論を実行する#

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利用できます。推論では、トレーニング中に学習した内容に基づいて、モデルが未学習の新しいデータを分析します。この場合、画像や動画内の家屋などの特定の物体を見つけ、周囲にバウンディングボックスを描画してラベルを付け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コードを使って、トレーニング済みのUltralytics YOLO11モデルを入力動画に適用できます。この例ではトレーニングに使用したものと同じ人工的なドローン動画を使いますが、必要に応じて別の動画ファイルも使用できます。

# ライブラリをインポートする
from ultralytics import YOLO

# YOLOモデルを読み込む
model = YOLO("best.pt")  # カスタムトレーニング済みモデルを選択する

# モデルで予測を実行する
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

このコードを実行すると、予測結果とバウンディングボックスを含む出力動画ファイルが保存されます。

図 12. 出力動画ファイルのフレーム。

さまざまな用途に向けたドローンへのUltralytics YOLO11の統合#

ドローン配送の荷物を届けるために家屋を検出するのは、コンピュータービジョンとUltralytics YOLO11の活用例の一つにすぎません。コンピュータービジョン、YOLO11、空撮ドローンの実環境での用途をほかにも紹介します。

• 監視とセキュリティ: AIドローンを使って、広範囲をリアルタイムで監視できます。不法侵入の検出、不審な活動の追跡、国境や大規模な公共イベントにおける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機能を搭載したドローンは、災害現場で生存者を捜索するのに役立ちます。また、被害状況の評価や緊急物資の配送にも活用できます。
• 農業と精密農業: コンピュータービジョンを統合したドローンを使って、作物の健康状態を分析し、病害を検出できます。これにより、農家はコストを抑えながら収穫量を増やすことができます。
• 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に地形を評価できます。

重要なポイント#

コンピュータービジョンを活用したAIドローンは、荷物の配送から緊急時の支援、農業まで、さまざまな業界を変革しています。このガイドでは、人工的なドローン動画の作成、動画内のオブジェクトのラベリング、Ultralytics YOLO11のトレーニング、住宅の検出への利用方法を順に説明しました。

ドローン映像に物体検出を適用すると、ドローンの知能が向上し、リアルタイムでオブジェクトを自動的に認識して追跡できるようになります。技術の進歩に伴い、AI搭載ドローンは配送の迅速化、セキュリティの強化、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。

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、コンピュータービジョンプロジェクトを始めるために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のような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覧ください。