コンピュータビジョンデータセットを使った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、特定の要件に合わせてモデルをファインチューニングします。Ultralytics Pythonパッケージを使うと、これらの手順を簡単に進められますが、ビジョンAIの開発には依然として時間がかかる場合があります。

厳しい期限の中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、特に大きな効果があります。こうした状況では、データセットの準備を効率化したり、反復作業を自動化したりするインテグレーションなど、プロセスの一部を簡素化するツールが大きな違いを生みます。必要な時間と労力を減らすことで、こうした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支援します。それを実現するのがRoboflowインテグレーションです。

Roboflow連携を使うと、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。データの収集や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ぐに見つけて利用し、Ultralytics YOLO11のトレーニングを始められます。この連携により、コンピュータービジョンモデルの開発における実験や反復を、より迅速かつ簡単に行えます。

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。

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、セグメンテーション、画像分類などのタスク向けに、3億5,000万点以上の画像、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を提供しています。世界中の開発者や研究者が貢献する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方のための共同作業ハブです。物体検出などのタスクに対応し、コンピュータービジョンプロジェクトを始める際に役立ちます。

図1. Roboflow Universeにおける物体検出データセットの例。

Roboflow Universeの主な機能は次のとおりです。

• 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った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：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：ラベルの分布、クラスの不均衡、データセットの品質を可視化する分析ツールを使って、さまざまなデータセットの詳細を把握できます。
• バージョン管理：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さまざまなバージョンを表示・利用できます。更新の追跡や変更の比較を行い、プロジェクトのニーズに最適なバージョンを選べます。

Roboflow連携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、多くの場合、コンピュータービジョンモデルの構築において最も難しい作業のひとつです。データセットの作成には通常、大量の画像を収集し、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。

特に短期間でさまざまなアプローチを試す場合、このプロセスには多くの時間とリソースがかかります。既存のデータセットを見つけることも容易ではありません。多くの場合、データセットは複数のプラットフォームに分散し、ドキュメントが不十分だったり、必要なアノテーションがなかったりします。

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する場合、物体検出とインスタンスセグメンテーションなど、異なるビジョンAIのアプローチを試したいかもしれません。これにより、時間と労力をかけて独自のデータセットを収集・ラベル付けする前に、実験を通じて最適な手法を見極められます。

図2. Ultralytics YOLO11を使った自動車部品の検出。

Roboflow連携を使うと、雑草の検出、作物の健康状態、圃場のモニタリングなどに特化したものを含め、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、独自のデータを一から作成する手間をかけずに、さまざまな手法を試し、モデルを改善できます。

Roboflow連携の仕組み#

Roboflow連携を使って適切なデータセットを見つける方法を確認したところで、ワークフローにどのように組み込めるかを見ていきましょう。Roboflow Universeからデータセットを選んだら、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パッケージを使ってYOLO11をカスタムトレーニングできます。

データセットをダウンロードする際、Roboflow Universeが他のモデルのトレーニング形式もサポートしていることに気づくかもしれません。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？

執筆時点で、YOLO11はUltralytics YOLOモデルの最新バージョンでした（その後、Ultralytics YOLO26に引き継がれています）。より高速で高精度な物体検出を実現するよう設計されています。YOLO11mは、YOLOv8mよりパラメーター数（予測を行うためにトレーニング中にモデルが調整する内部値）を22%削減しながら、COCOデータセットでより高い平均適合率 (mAP) を達成します。速度と精度のバランスに優れたYOLO11は、特定のタスクに合わせたカスタムトレーニングを含め、幅広いコンピュータービジョンアプリケーションに対応する汎用性の高い選択肢です。

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。

• データの入力：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オブジェクトの検出と分類を学習します。
• 予測とフィードバック：モデルは画像内のオブジェクトを予測し、その結果をデータセットに含まれる正解と比較します。
• パフォーマンスの追跡：適合率（検出のうち正しいものの割合）、再現率（実際の物体のうち検出できたものの割合）、損失（予測誤差）などのメトリクスを監視し、進捗を評価します。
• 反復学習：検出精度を高め、誤差を最小限に抑えるため、複数のラウンド（エポック）にわたってモデルのパラメーターを調整します。
• 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、デプロイできる状態になります。

コンピュータービジョン開発に関連するその他の連携機能#

Roboflow連携について調べていくと、Ultralyticsのドキュメントで紹介されている他の連携機能にも気づくでしょう。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、多様な連携機能をサポートしています。

コミュニティの皆様にさまざまな選択肢を提供し、各自のワークフローに最適なものを選べるようにしています。

図3. Ultralyticsがサポートする連携機能の概要。

データセットに加え、Ultralyticsがサポートするその他の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。サポートしているインテグレーションの例をいくつかご紹介します。

• トレーニング連携： Amazon SageMakerやPaperspace Gradientなどの連携機能は、効率的なモデル開発とテストを可能にするクラウドベースの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管理の連携： 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に役立ち、機械学習プロジェクトを簡単に管理できるようにします。
• 最適化およびデプロイの連携： CoreML、ONNX、OpenVINOを使うと、さまざまなデバイスやフレームワークへの最適化されたデプロイが可能になり、Apple製ハードウェアやIntel CPUなどのプラットフォームで効率的な性能を実現できます。
• モニタリングおよび可視化の連携： TensorBoardとWeights & Biasesは、トレーニングの進捗を可視化し、性能を監視するためのツールを提供し、モデルの改善に役立つ詳細な情報をもたらします。

Ultralytics YOLO11の活用例と連携機能の役割#

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、信頼性の高いUltralytics YOLO11の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革新的な活用方法では、ビジョンAIを使って生産ライン上の金属部品の傷や部品の欠落などの欠陥を検出します。こうしたタスクに適したデータを収集するには、専門的な環境が必要となることも多く、時間がかかり、困難な場合があります。

通常は、生産ラインにカメラやセンサーを設置し、製品の画像を撮影します。鮮明さと均一性を確保するため、一定の照明や角度のもとで大量の画像を撮影する必要があります。

撮影した画像には、傷、へこみ、部品の欠落など、あらゆる種類の欠陥を正確なラベルで丁寧にアノテーションする必要があります。データセットが現実世界の多様性を正確に反映するようにするには、専門知識に加えて多く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、素材の違いなどを考慮する必要があります。

すぐに利用でき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。Ultralytics YOLO11のリアルタイム検出機能を活用すれば、製造業者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、数える例です。

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活用できます。Ultralytics YOLO11の速度と精度を、簡単に利用できるデータセットと組み合わせることで、企業は固有のニーズに合わせたソリューションを迅速に開発、導入できます。たとえば医療分野では、データセットのインテグレーションを活用し、医療画像を解析して腫瘍などの異常を検出するソリューションを開発できます。同様に、自動運転では、車両、歩行者、交通標識を識別することで、安全性の向上に役立てられます。

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利用すれば、コンピュータービジョンを初めて扱う場合でも、Ultralytics YOLOモデルのカスタムトレーニングに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に膨大なデータセットを利用できるRoboflow Universeは、データの検索に伴う手間を省きます。データの収集や整理に時間をかける代わりに、すぐに作業を始めてモデルの構築に集中できます。この効率的なアプローチにより、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進められます。

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、自動運転車の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技術革新をご覧いただけます。