コンピュータビジョンデータセットを使用したUltralytics YOLO11のカスタムトレーニング

Ultralytics YOLO11 のようなコンピュータービジョンモデルのトレーニングには通常、データセット用の画像収集、アノテーション、データの準備、そして特定の要件を満たすためのモデルのファインチューニングが含まれます。Ultralytics Python package を使用するとこれらの手順がシンプルかつユーザーフレンドリーになりますが、それでもビジョンAIの開発には時間がかかる場合があります。

これは、厳しい締め切りに向けて作業している場合やプロトタイプを開発している場合に特に顕著になります。このような状況では、データセットの準備の効率化や反復作業の自動化など、プロセスの一部を簡素化するツールや integrations を活用することで、大きな違いを生み出すことができます。これらのソリューションにより、必要となる時間と労力が軽減され、モデルの構築と洗練に集中できるようになります。それこそが、Roboflow 連携が提供するメリットです。

Roboflow 統合により、オープンソースのcomputer vision datasetsの豊富なライブラリである Roboflow Universe のデータセットに簡単にアクセスできます。データの収集と整理に何時間も費やす代わりに、既存のデータセットを素早く見つけて使用し、Ultralytics YOLO11 のトレーニングプロセスをすぐに開始できます。この統合により、コンピュータビジョンモデル開発の実験と反復処理が大幅に高速化され、シンプルになります。

本記事では、モデル開発を高速化するためにRoboflowインテグレーションをどのように活用できるかについて深く掘り下げます。それでは始めましょう！

Roboflow Universeとは何ですか？#

Roboflow Universe は、コンピュータービジョン開発の簡素化に注力する企業である Roboflow が維持管理しているプラットフォームです。3億5000万枚以上の画像、50万個のデータセット、そして object detection、画像分類、セグメンテーションなどのタスクに向けた10万個のファインチューニング済みモデルで構成されています。世界中の開発者や研究者からの貢献により、Roboflow Universe は computer vision projects をすばやく開始または強化したいと考えているすべての人にとってのコラボレーションハブとなっています。

図1. Roboflow Universe上のオブジェクト検出データセットの例。

Roboflow Universeには、以下の主要な機能が含まれています。

• データセット探索ツール: データセットを探索、フィルタリング、可視化して、プロジェクトの要件に一致するリソースを素早く見つけることができます。
• Export options: ワークフローに合わせて、COCO、YOLO、TFRecord、CSVなどの形式でデータをエクスポートできます。
• データセット分析: ラベル分布、クラスの不均衡、データセットの品質などを可視化する分析ツールを使用して、さまざまなデータセットに関する洞察を得ることができます。
• バージョン管理: 貢献者によってアップロードされたデータセットのさまざまなバージョンを表示およびアクセスし、更新状況の追跡、変更の比較、プロジェクトのニーズに最も適したバージョンの選択が可能です。

適切なデータを見つけるのに役立つRoboflowインテグレーション#

適切なデータセットを見つけることは、computer vision model を構築する上で最も困難な部分の1つであることがよくあります。データセットの作成には通常、大量の画像の収集、それらがタスクに関連していることの確認、そして正確なラベリングが含まれます。

このプロセスには多大な時間とリソースがかかる可能性があり、特に短い期間でさまざまなアプローチを実験している場合はなおさらです。既存のデータセットを見つけることさえ困難な場合があります。それは、データセットがプラットフォーム全体に散らばっていたり、適切に文書化されていなかったり、必要な特定のアノテーションが欠けていたりすることが多いためです。

例えば、農地の雑草を検出するためのコンピュータビジョンアプリケーションを構築している場合、オブジェクト検出対インスタンスセグメンテーションのように、異なるビジョンAIのアプローチを試したいと考えるかもしれません。これにより、独自のデータセットの収集やラベル付けに時間と労力を費やす前に、どの手法が最適かを実験して見極めることができます。

図 2: Ultralytics YOLO11 を使用した自動車部品の検出。

Roboflowインテグレーションを使用すると、雑草検出、作物の健康状態、フィールドモニタリングなどに焦点を当てたものを含め、農業関連の多様なデータセットを閲覧できます。これらのすぐに使えるデータセットを使用することで、独自のデータを作成する手間をかけずに、さまざまなテクニックを試してモデルを改善することができます。

Roboflowインテグレーションの仕組み#

Roboflowインテグレーションを使用して適切なデータセットを見つける方法について説明しましたので、次はそれがワークフローにどのように適合するかを見ていきましょう。Roboflow Universeからデータセットを選択したら、それをYOLO11形式でエクスポートまたはダウンロードできます。データセットをエクスポートした後は、Ultralytics Pythonパッケージを使用してYOLO11のカスタムトレーニングに利用できます。

データセットをダウンロードする際、Roboflow Universeが他のモデルをトレーニングするための形式もサポートしていることに気づくかもしれません。では、なぜUltralytics YOLO11をカスタムトレーニングに選ぶべきなのでしょうか？

YOLO11は最新のUltralytics YOLOモデルであり、より高速かつ正確なオブジェクト検出を実現するように構築されています。YOLOv8mと比較して、22%少ないパラメータ（モデルがトレーニング中に予測を行うために調整する内部値）を使用しながら、COCOデータセットにおいてより高いmAPを達成しています。この速度と精度のバランスにより、YOLO11は、特に特定のタスクに合わせてモデルをカスタムトレーニングする場合、幅広いコンピュータビジョンアプリケーションにとって多目的な選択肢となります。

custom training Ultralytics YOLO11 の仕組みを詳しく見てみましょう。

• データフィード: Ultralytics YOLO11モデルがデータセットを処理し、画像とそのアノテーションからオブジェクトを検出し分類することを学習します。
• 予測とフィードバック: モデルは画像内のオブジェクトに関する予測を行い、データセットで提供されている正解と比較します。
• パフォーマンス追跡: 精度（正解検出）、再現率（検出漏れ）、損失（予測誤差）などの指標を監視し、進捗状況を評価します。
• 反復学習: モデルは複数のラウンド（エポック）を通じてパラメータを調整し、検出精度を向上させ、誤差を最小限に抑えます。
• 最終的なモデル出力: トレーニング後、最適化されたモデルが保存され、デプロイの準備が整います。

コンピュータビジョン開発に焦点を当てた他のインテグレーション#

Roboflow 連携を探索していくと、Ultralytics documentation で言及されている他の連携にも気づくでしょう。当社は、コンピュータービジョン開発のさまざまなステージに関連する多様な連携をサポートしています。

これは、コミュニティに幅広い選択肢を提供し、特定のワークフローに最適なものを選択できるようにするためです。

Fig 3. Ultralytics がサポートする連携の概要。

データセットに加えて、その他の Ultralytics-supported integrations は、トレーニング、デプロイ、最適化など、コンピュータービジョンプロセスのさまざまな部分に焦点を当てています。当社がサポートするその他の連携の例をいくつか紹介します:

• トレーニングインテグレーション: Amazon SageMakerやPaperspace Gradientのようなインテグレーションは、効率的なモデル開発とテストのためのクラウドベースのプラットフォームを提供することで、トレーニングワークフローを合理化します。
• ワークフローおよび実験追跡インテグレーション: ClearML、MLflow、Weights & Biases (W&B) は、ワークフローの自動化、実験の追跡、コラボレーションの向上を支援し、機械学習プロジェクトの管理を容易にします。
• 最適化およびデプロイインテグレーション: CoreML、ONNX、OpenVINOは、さまざまなデバイスやフレームワーク間での最適化されたデプロイを可能にし、AppleハードウェアやIntel CPUなどのプラットフォームで効率的なパフォーマンスを保証します。
• 監視および可視化インテグレーション: TensorBoardとWeights & Biasesは、トレーニングの進捗状況を可視化し、パフォーマンスを監視するためのツールを提供し、モデル改善のための詳細な洞察を与えます。

Ultralytics YOLO11 のアプリケーションと統合の役割#

コンピュータビジョンの開発をサポートする統合機能は、Ultralytics YOLO11の信頼性の高い機能と相まって、現実世界の課題をより簡単に解決できるようにします。製造業におけるコンピュータビジョンなどのイノベーションを考えてみてください。ここでは、金属部品の傷や部品の欠落など、製造ライン上の欠陥を検出するためにビジョンAIが使用されます。このようなタスクに適したデータを収集することは、多くの場合時間がかかり困難であり、特殊な環境へのアクセスが必要になります。

これには通常、製品の画像をキャプチャするために、製造ラインに沿ってカメラやセンサーを設置する必要があります。明確さと均一性を確保するために、これらの画像は一貫した照明と角度の下で、大量に撮影する必要があります。

キャプチャされた画像は、傷、へこみ、欠品など、あらゆる種類の欠陥に対して正確なラベルを付けて綿密にアノテーションする必要があります。このプロセスでは、データセットが現実世界の変動を正確に反映していることを確認するために、かなりの時間とリソース、そして専門知識が必要です。堅牢で信頼性の高いデータセットを作成するには、欠陥のサイズ、形状、材質の違いなどの要因を考慮に入れる必要があります。

既製のデータセットを提供する統合機能は、産業用品質管理などのタスクを容易にし、Ultralytics YOLO11のリアルタイム検出能力により、メーカーは生産ラインを監視し、欠陥を即座に検出し、効率を向上させることができます。

図 4. Ultralytics YOLO11を使用して製造中の缶を検出しカウントする例。

製造業を超えて、データセットに関連する統合機能は他の多くの業界でも使用できます。Ultralytics YOLO11のスピードと精度を簡単にアクセスできるデータセットと組み合わせることで、企業は特定のニーズに合わせたソリューションを迅速に開発および展開できます。例えばヘルスケアを考えてみてください。データセットの統合は、腫瘍などの異常を検出するために医用画像を分析するソリューションの開発に役立ちます。同様に、自動運転では、このような統合が車両、歩行者、交通標識の識別を助け、安全性を高めるのに役立ちます。

重要なポイント#

適切なデータセットを見つけることは、コンピュータビジョンモデルを構築する上で最も時間がかかる部分の一つです。しかし、Roboflowインテグレーションを使用すれば、コンピュータビジョン初心者であっても、Ultralytics YOLOモデルをカスタムトレーニングするための最適なデータセットを簡単に見つけることができます。

オブジェクト検出、画像分類、インスタンスセグメンテーションといったコンピュータビジョンタスクのための膨大なデータセットコレクションにアクセスできるRoboflow Universeは、データ発見プロセスに伴う煩わしさを取り除きます。これにより、時間をかけてデータを収集・整理するのではなく、迅速に作業を開始し、モデルの構築に集中できるようになります。この合理化されたアプローチにより、開発者はより効率的にコンピュータビジョンソリューションのプロトタイピング、反復、開発を行うことが可能になります。

詳細については、GitHub repository をご覧いただき、コミュニティにご参加ください。ソリューションページで AI in self-driving cars や computer vision in agriculture などの分野におけるイノベーションを探索してください。🚀