コンピューター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では、通常、データセット用の画像を収集し、アノテーションを付け、データを準備して、特定の要件を満たすようにモデルをファインチューニングします。Ultralytics Pythonパッケージを使用すれば、これらの手順を簡単かつ使いやすく進められますが、ビジョンAIの開発には依然として時間がかかることがあります。

厳しい納期で作業している場合や、プロトタイプを開発している場合は、特にそうです。このような状況では、プロセスの一部を簡素化するツールやインテグレーションがあると、大きな違いを生み出します。たとえば、データセットの準備を効率化したり、反復的なタスクを自動化したりできます。必要な時間と労力を削減することで、これらのソリューションはモデルの構築と改良に集中できるようにします。まさにそれを実現するのがRoboflowインテグレーションです。

Roboflowインテグレーションを使用すると、オープンソースのコンピュータービジョンデータセットを多数収録した大規模なライブラリ、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すばやく見つけて使用し、Ultralytics YOLO11のトレーニングを迅速に開始できます。このインテグレーションにより、コンピュータービジョンモデルの開発における実験と反復を、より速く簡単に行えます。

この記事では、Roboflowインテグレーションを活用してモデル開発を高速化する方法を詳しく説明します。早速始めましょう。

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取り組む企業Roboflowが運営するプラットフォームです。物体検出、画像分類、セグメンテーションなどのタスク向けに、3億5,000万枚を超える画像、50万件のデータセット、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、コンピュータービジョンプロジェクトをすぐに始めたり、強化したりしたい人のための共同ハブとなっています。

図1. Roboflow Universeの物体検出データセットの例。

Roboflow Universeには、次の主要機能があります。

• 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、プロジェクトの要件に合うリソースをすばやく見つけられます。
• エクスポートオプション: COCO、YOLO、TFRecord、CSVなどの形式でデータをエクスポートし、ワークフローに適合させられます。
• データセット分析: ラベル分布、クラス不均衡、データセットの品質を可視化する分析ツールにより、さまざまなデータセットに関する洞察を得られます。
• バージョン追跡: コントリビューターがアップロードしたデータセットの異なるバージョンを表示してアクセスできます。これにより、更新を追跡し、変更を比較し、プロジェクトのニーズに最適なバージョンを選択できます。

Roboflowインテグレーションで適切なデータを見つける#

適切なデータセットを見つけることは、コンピュータービジョンモデルの構築で最も難しい作業の一つです。通常、データセットの作成には大量の画像を収集し、それらがタスクに関連していることを確認したうえで、正確にラベル付けする必要があります。

このプロセスには、多くの時間とリソースがかかることがあります。特に、短期間で異なるアプローチを試している場合はそうです。既存のデータセットを見つけることさえ難しい場合があります。データセットが複数のプラットフォームに分散していたり、十分にドキュメント化されていなかったり、必要な特定のアノテーションが不足していたりするためです。

たとえば、農地の雑草を検出するコンピュータービジョンアプリケーションを構築している場合、物体検出とインスタンスセグメンテーションのような、異なるビジョンAIアプローチを試したいかもしれません。これにより、自分でデータセットを収集してラベル付けするための時間と労力を費やす前に、どの手法が最適かを実験して判断できます。

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、作物の健全性、圃場モニタリングなどに焦点を当てたものを含む、農業関連のさまざまなデータセットを閲覧できます。すぐに使えるこれらのデータセットを利用すれば、自分でデータを作成する初期作業を行わずに、さまざまな手法を試し、モデルを改良できます。

Roboflowインテグレーションの仕組み#

ここまで、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を説明しました。次に、それがワークフローにどのように組み込まれるかを見ていきます。Roboflow Universeからデータセットを選択したら、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。

データセットのダウンロード中に、Roboflow Universeが他のモデルのトレーニング向けに別の形式もサポートしていることに気付くかもしれません。それでは、Ultralytics YOLO11をカスタムトレーニングする理由は何でしょうか？

YOLO11はUltralytics YOLOモデルの最新バージョンであり、より高速で高精度な物体検出を実現するように構築されています。トレーニング中にモデルが予測のために調整する内部値であるパラメーター数がYOLOv8mより22%少ない一方で、COCOデータセットにおいて、より高い平均適合率（mAP）を達成します。速度と精度のこのバランスにより、YOLO11は幅広いコンピュータービジョンアプリケーションに適した汎用性の高い選択肢となります。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に適しています。

Ultralytics YOLO11のカスタムトレーニングの仕組みを詳しく見てみましょう。

• データ入力: Ultralytics 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物体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: モデルは画像内の物体について予測を行い、データセットに含まれる正解と比較します。
• パフォーマンス追跡: 適合率（正しい検出）、再現率（見逃した検出）、損失（予測誤差）などのメトリクスを監視して、進捗を評価します。
• 反復学習: モデルは複数のラウンド（エポック）にわたってパラメーターを調整し、検出精度を向上させてエラーを最小限に抑えます。
• 最終モデルの出力: トレーニング後、最適化されたモデルが保存され、デプロイ可能な状態になります。

コンピュータービジョン開発に特化したその他のインテグレーション#

Roboflowインテグレーションを検討すると、Ultralyticsドキュメントで他のインテグレーションも紹介されていることに気付くでしょう。コンピューター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、コミュニティにさまざまな選択肢を提供し、特定のワークフローに最適なものを選べ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、その他のUltralytics対応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、コンピュータービジョンプロセスのさまざまな部分に対応しています。サポートしているその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などの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プラットフォームを提供し、トレーニングワークフローを効率化します。
• 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をより簡単に管理できるようにします。
• 最適化およびデプロイインテグレーション: CoreML、ONNX、OpenVINOにより、さまざまなデバイスやフレームワークで最適化されたデプロイが可能になり、AppleのハードウェアやIntelの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実現できます。
• モニタリング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を可視化し、パフォーマンスを監視するツールを提供します。これにより、モデルを改良するための詳細な洞察を得られます。

Ultralytics YOLO11のアプリケーションとインテグレーションの役割#

コンピュータービジョン開発を支援するインテグレーションと、Ultralytics YOLO11の信頼性の高い機能を組み合わせることで、現実世界の課題を解決しやすくなります。製造業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を考えてみましょう。ここではビジョンAIを使用して、生産ライン上の金属部品の傷や欠損部品などの欠陥を検出します。このようなタスクに適したデータの収集は、特殊な環境へのアクセスが必要になることも多く、時間がかかり困難です。

通常は、生産ラインに沿ってカメラやセンサーを設置し、製品の画像を撮影します。明瞭性と均一性を確保するため、これらの画像は多くの場合、一定した照明と角度の下で大量に撮影する必要があります。

撮影した画像には、傷、へこみ、欠損部品など、あらゆる種類の欠陥について正確なラベルを細かく付ける必要があります。データセットが現実世界の変動性を正確に反映するようにするには、専門知識だけでなく、かなりの時間とリソースが必要です。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、素材の違いなどの要因も考慮する必要があります。

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、産業用品質管理などのタスクを容易にします。さらに、Ultralytics YOLO11のリアルタイム検出機能により、メーカーは生産ラインを監視し、欠陥を即座に検出して、効率を向上させられます。

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

製造業以外にも、データセット関連のインテグレーションはさまざまな業界で利用できます。Ultralytics 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たソリューションを迅速に開発・デプロイできます。たとえば医療分野では、データセットインテグレーションを利用して、腫瘍などの異常を検出する医用画像分析ソリューションを開発できます。同様に自動運転では、このようなインテグレーションを活用して車両、歩行者、交通標識を識別し、安全性を高められます。

主なポイント#

適切なデータセットを見つけることは、コンピュータービジョンモデルの構築で最も時間のかかる作業の一つです。しかし、Roboflowインテグレーションを使用すれば、コンピュータービジョンが初めての場合でも、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られます。

物体検出、画像分類、インスタンスセグメンテーションなどのコンピュータービジョンタスク向け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、データ探索プロセスの負担を軽減します。データの収集や整理に時間を費やすのではなく、すぐに開始してモデルの構築に集中できます。この効率化されたアプローチにより、開発者はコンピュータービジョンソリューションのプロトタイプ作成、反復、開発をより効率的に行えます。

詳しくは、GitHubリポジトリをご覧いただき、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は、自動運転車におけるAIや農業におけるコンピュータービジョンなどの分野のイノベーションをご覧いただけます。🚀