コンピュータビジョンの未来を変える生成AI

生成AIは、既存のデータからパターンを学習し、画像、テキスト、音声などの新しいコンテンツを生成する人工知能（AI）の一分野です。近年の進歩により、人間の創造性を模倣した非常にリアルなコンテンツを生成できるようになりました。

しかし、生成AIの影響は単にコンテンツを作成するだけにとどまりません。Ultralytics YOLO modelsのようなリアルタイムのコンピュータビジョンモデルが進化し続けるにつれて、生成AIは視覚データの処理方法や拡張方法も再定義しており、現実世界のシナリオにおける革新的なアプリケーションへの道を開いています。

この新しい技術的シフトは、Ultralyticsが主催する年に一度のハイブリッドイベントであるYOLO Vision 2024 (YV24),で興味深い話題となりました。YV24では、AI愛好家や業界リーダーが集まり、computer visionの最新のブレイクスルーについて議論しました。このイベントは、イノベーション、効率性、そしてリアルタイムAIソリューションの未来に焦点を当てました。

イベントの主なハイライトの一つは、YOLO in the Age of Generative AIに関するパネルトークでした。パネルには、Ultralyticsの創設者兼CEOであるGlenn Jocher、Ultralyticsのシニア機械学習エンジニアであるJing Qiu、そして清華大学のAo Wangが登壇しました。彼らは、生成AIがコンピュータビジョンにどのように影響を与えているか、そして実用的なAIモデルを構築する際の課題について探求しました。

本記事では、彼らの議論から得られた重要な洞察を振り返り、生成AIがVision AIをどのように変革しているかについて詳しく見ていきます。

Ultralytics YOLO modelsの開発#

Glenn Jocher氏に加え、多くの熟練したエンジニアたちがUltralytics YOLO modelsの開発において重要な役割を果たしてきました。その一人であるJing Qiu氏は、自身が予期せずYOLOに関わることになった経緯を語りました。彼は、AIへの情熱が大学時代に始まったと説明しました。彼はこの分野を深く探求し、学習することに多大な時間を費やしました。Jing Qiu氏は、GitHubを通じてGlenn Jocher氏とつながり、さまざまなAIプロジェクトに参加した経緯を振り返りました。

Jing Qiu氏の言葉に付け加える形で、Glenn Jocher氏はGitHubについて次のように述べました。「共有のための素晴らしい方法です。会ったこともない人々が集まり、互いに助け合い、相手の作業に貢献できる場所です。素晴らしいコミュニティであり、AIを始めるための本当に素晴らしい方法です。」

図1. YV24のステージで登壇するGlenn Jocher氏とJing Qiu氏。

Jing QiuのAIに対する関心とUltralytics YOLOv5に関する彼の作業は、モデルの洗練に貢献しました。その後、彼はUltralytics YOLOv8の開発において重要な役割を果たし、さらなる改善をもたらしました。彼はそれを信じられないほどの旅路と表現しました。今日でも、Jing QiuはUltralytics YOLO11のようなモデルの改良と作業を続けています。

YOLOv10：実世界のパフォーマンスに向けた最適化#

中国からリモートでパネルディスカッションに参加したAo Wang氏は、自身を博士課程の学生として紹介しました。当初はソフトウェアエンジニアリングを専攻していましたが、AIへの情熱からコンピュータビジョンとディープラーニングへと研究分野を移しました。

彼が有名なYOLOモデルと最初に出会ったのは、さまざまなAI技術やモデルを実験している時でした。彼はその速度と精度に感銘を受け、それが物体検出のようなcomputer vision tasksへさらに深く飛び込むインスピレーションとなりました。最近では、Ao WangがYOLOモデルの最新バージョンであるYOLOv10に貢献しました。彼の研究は、モデルをより高速かつ高精度にするための最適化に焦点を当てていました。

生成AIとVision AIの決定的な違い#

続いてパネルディスカッションでは生成AIの話題に移り、Jing Qiu氏は生成AIとVision AIの目的が大きく異なることを指摘しました。生成AIはテキスト、画像、動画などを生成するものですが、Vision AIは主に画像としてすでに存在するものを分析するものです。

Glenn Jocher氏は、サイズも大きな違いであると強調しました。生成AIモデルは巨大で、多くの場合、数十億個ものパラメータ（データから学習するためにモデルが使用する内部設定）を含んでいます。一方、コンピュータビジョンモデルははるかに小規模です。彼は、「私たちが持つ最小のYOLOモデルは、最小のLLM（大規模言語モデル）よりも約1000倍小さいです。つまり、30億ではなく300万のパラメータです」と述べました。

図2. YV24における生成AIとVision AIに関するパネルディスカッション。

Jing Qiuは、生成AIとコンピュータビジョンのtrainingやデプロイのプロセスも大きく異なると付け加えました。生成AIの実行には、巨大で強力なサーバーが必要です。一方で、YOLOのようなモデルは効率性を重視して構築されており、標準的なハードウェアでトレーニングおよびデプロイを行うことができます。そのため、Ultralytics YOLO modelsは現実世界での使用により実用的となっています。

これら2つの分野は異なるとはいえ、相互に影響し合い始めています。Glenn Jocher氏は、生成AIがVision AIに新しい進歩をもたらしており、モデルをよりスマートで効率的にしていると詳しく説明しました。

コンピュータビジョンに対する生成AIの影響#

生成AIは急速に進歩しており、そのブレークスルーはコンピュータビジョンを含む人工知能の他の多くの領域にも影響を与えています。次に、パネルで議論されたいくつかの興味深い洞察について見ていきましょう。

ハードウェアの進歩がAIイノベーションを可能にしている#

パネルの序盤で、Glenn Jocher氏は、マシンラーニングのアイデア自体は昔から存在していたものの、それを機能させるためのコンピュータの能力が不足していたと説明しました。AIのアイデアを現実のものにするためには、より強力なハードウェアが必要でした。

過去20年間のGPU（Graphics Processing Unit）の台頭と並列処理能力の向上は、すべてを変えました。それにより、AIモデルのトレーニングが大幅に高速かつ効率的になり、ディープラーニングが急速に発展できるようになりました。

現在、TPUs (Tensor Processing Units)や最適化されたGPUなどのAIチップは、より大規模で複雑なモデルを処理しながら消費電力を抑えています。これにより、AIはよりアクセシブルになり、現実世界のアプリケーションで役立つようになっています。

ハードウェアが進化するたびに、生成AIとコンピュータビジョンの両方のアプリケーションがより強力になっています。これらの進歩により、リアルタイムAIはより高速で効率的になり、より多くの業界で使用できる準備が整いました。

生成AIは物体検出モデルをどのように形作っているか#

生成AIがコンピュータビジョンにどのように影響しているか尋ねられた際、Jing Qiuは、AIが画像の最も重要な部分に焦点を当てるのを助けるモデルであるtransformersが、AIが画像を理解し処理する方法を変えたと述べました。最初の大まかなステップはDETR (Detection Transformer)であり、物体検出にこの新しいアプローチを使用しました。これにより精度は向上したものの、場合によっては速度が低下するというパフォーマンス上の課題がありました。

これを解決するために、研究者たちはRT-DETRのようなハイブリッドモデルを作成しました。これらのモデルは、畳み込みニューラルネットワーク（CNN、画像から自動的に特徴を学習し抽出するディープラーニングモデル）とTransformerを組み合わせ、スピードと精度のバランスを取っています。このアプローチは、Transformerの利点を活用しつつ、物体検出をより高速化するものです。

興味深いことに、YOLOv10はトランスフォーマーベースのアテンションレイヤー（画像内の最も重要な領域をハイライトするスポットライトのように機能し、関連性の低い詳細を無視するモデルの一部）を使用してパフォーマンスを向上させています。

Ao Wang氏も、生成AIがモデルのトレーニング方法をどのように変えているかについて言及しました。マスク画像モデリングのような手法は、AIがより効率的に画像から学習するのを助け、手作業でラベル付けされた大規模なデータセットの必要性を減らします。これにより、コンピュータビジョンのトレーニングはより高速化され、リソース消費も抑えられます。

生成AIとVision AIの未来#

パネルで議論されたもう一つの重要なアイデアは、生成AIとVision AIがどのように連携して、より高性能なモデルを構築できるかという点です。Glenn Jocher氏は、これら2つのアプローチにはそれぞれ異なる強みがあるものの、組み合わせることで新たな可能性が開ける可能性があると説明しました。

例えば、YOLOのようなVision AIモデルは、物体を識別するために画像をグリッド状に分割することがよくあります。このグリッドベースの手法は、言語モデルが詳細を特定し、それを説明する能力を向上させるのに役立つ可能性があります。これは、現在多くの言語モデルが直面している課題です。本質的に、これらの技術を融合させることで、見たものを正確に検出し、明確に説明できるシステムが生まれるかもしれません。

図3. 生成AIとVision AIの未来。画像提供：著者。

重要なポイント#

生成AIとコンピュータビジョンは共に進歩しています。生成AIは画像や動画を生成する一方で、Vision AIモデルをより正確かつ効率的にするための革新的な新しいアイデアをもたらすことで、画像や動画の分析も改善しています。

この洞察に満ちたYV24のパネルディスカッションにおいて、Glenn Jocher氏、Jing Qiu氏、Ao Wang氏は、これらの技術がどのように未来を形作っているかについて考えを共有しました。より優れたAIハードウェアにより、生成AIとVision AIは進化を続け、さらなるイノベーションを導くでしょう。これら2つの分野は協力して、日常生活においてよりスマートで高速、そして有用なAIを創造しています。

our communityに参加し、GitHub repositoryを探索してVision AIについて詳しく学びましょう。our licensing optionsをチェックして、コンピュータビジョンプロジェクトをスタートさせましょう。AI in manufacturingやcomputer vision in self-drivingのようなイノベーションに興味がありますか？ソリューションページにアクセスして詳細をご覧ください。