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といった手順が必要です。Ultralytics Python packageを使用すれば、これらの手順は簡単かつユーザーフレンドリーに行えますが、それでもビジョンAIの開発には時間がかかることがあります。

特に厳しい納期が迫っている場合や、プロトタイプを開発している場合には、これが顕著になります。こうした状況では、データセット準備の合理化や反復作業の自動化など、プロセスの一部を簡素化できるツールやインテグレーションを活用することで、大きな違いが生まれます。これらのソリューションによって時間と労力を削減することで、モデルの構築や改善に集中できるようになります。それこそが、Roboflowインテグレーションの提供する価値です。

Roboflowインテグレーションを使用することで、オープンソースのコンピュータビジョンデータセットの膨大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。何時間もかけてデータを収集・整理する代わりに、既存のデータセットを素早く見つけて使用することで、YOLO11のトレーニングプロセスを即座に開始できます。このインテグレーションにより、コンピュータビジョンモデル開発の実験と反復が大幅に迅速かつ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！

Link to this sectionRoboflow Universeとは何ですか？#

Roboflow Universeは、コンピュータビジョン開発の簡素化に取り組む企業であるRoboflowが運営するプラットフォームです。ここには、オブジェクト検出、画像分類、セグメンテーションといったタスクのための、3億5,000万枚以上の画像、50万個のデータセット、10万個のファインチューニング済みモデルが蓄積されています。世界中の開発者や研究者からの貢献により、Roboflow Universeは、コンピュータビジョンプロジェクトを素早く立ち上げたり、強化したりしたいと考えるすべての人にとっての共同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。
• エクスポートオプション: 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。

Link to this section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、コンピュータビジョンモデルを構築する上で最も困難な部分の一つであることがよくあります。データセットを作成するには、通常、膨大な量の画像を集め、タスクに関連していることを確認し、正確にラベル付けを行う必要があります。

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. 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。

Link to this sectionRoboflow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。

カスタムトレーニング YOLO11がどのように機能するか、詳しく見てみましょう：

• データの投入: YOLO11モデルは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および分類する方法を学習します。
• 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。

Link to this section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インテグレーションを探索する中で、Ultralyticsドキュメントで言及されている他のインテグレーションにも気づくでしょう。私たちは、コンピュータビジョン開発のさまざまな段階に関連する多様なインテグレーション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。

図 3. Ultralyticsがサポートするインテグレーションの概要。

データセットに加えて、他のUltralyticsサポートインテグレーションは、トレーニング、デプロイ、最適化など、コンピュータ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。サポートしている他のインテグレーション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。

Link to this sectionYOLO11のアプリケーションとインテグレーションの役割#

コンピュータビジョン開発をサポートするインテグレーションは、YOLO11の信頼できる機能と組み合わさることで、現実世界の課題を解決しやすくします。製造業におけるコンピュータビジョンのようなイノベーションを考えてみましょう。そこでは、ビジョンAIを使用して、金属部品の傷や欠品などの製造ライン上の欠陥を検出します。このようなタスクに必要なデータを収集することは、専門的な環境へのアクセスが必要となるため、遅く困難な作業になることがよくあります。

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。

すぐに使えるデータセットを提供するインテグレーションは、産業品質管理のようなタスクを促進し、YOLO11のリアルタイム検出機能により、メーカーは製造ラインを監視し、欠陥を即座に発見して、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。

製造以外にも、データセットに関連するインテグレーションは他の多くの産業で使用できます。YOLO11の速度と精度を、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てカスタマイズされたソリューションを素早く開発・デプロイできます。例えばヘルスケア分野では、データセットインテグレーションは、腫瘍などの異常を検出するために医療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、自動運転においても、車両、歩行者、交通標識を特定し、安全性を向上させるためにこのようなインテグレーションが役立ちます。

Link to this section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リポジトリにアクセスし、コミュニティと交流してください。自動運転車のAIや農業におけるコンピュータビジョンといった分野のイノベーションを、当社のソリューションページで探索してください。🚀