生成AIがコンピュータービジョンの未来を変えています

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作成する人工知能（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の影響はコンテンツの作成だけにとどまりません。Ultralytics YOLOモデルのようなリアルタイムコンピュータービジョンモデルが進化を続ける中、生成AIはビジュアルデータの処理と拡張の方法も再定義し、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切り開いています。

この新たな技術の変化は、Ultralyticsが主催する年次ハイブリッドイベント、YOLO Vision 2024（YV24）でも興味深い話題となりました。YV24には、AI愛好家や業界のリーダーが集まり、コンピュータービジョンの最新のブレークスルーについて議論しました。イベントでは、イノベーション、効率性、リアルタイムAIソリューションの未来に焦点が当てられました。

イベントの主な見どころの一つは、生成AI時代のYOLOをテーマにしたパネルディスカッションでした。パネルには、Ultralyticsの創業者兼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、清華大学のAo Wangが登壇しました。生成AIがコンピュータービジョンに与える影響や、実用的なAIモデル構築の課題について議論しました。

この記事では、ディスカッションの主な知見を振り返り、生成AIがVision AIをどのように変革しているかを詳しく見ていきます。

Ultralytics YOLOモデルの開発#

Glenn Jocherに加え、多くの優れたエンジニアがUltralytics YOLOモデルの開発で重要な役割を果たしてきました。その一人であるJing Qiuは、YOLOとの思いがけない出会いについて語りました。彼は、大学時代にAIへの関心が芽生えたと説明しました。この分野を探究し、学ぶことに多くの時間を費やしました。Jing Qiuは、GitHubでGlenn Jocher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の話を受けて、Glenn JocherはGitHubについて、「素晴らしい共有の場です。会ったことのない人たちが集まり、互いに助け合い、相手の仕事に貢献できます。素晴らしいコミュニティであり、AIを始めるのにとても適した場所です」と述べました。

図1。YV24のステージで講演するGlenn JocherとJing Qiu。

Jing QiuのAIへの関心とUltralytics YOLOv5での取り組みは、モデルの改良に役立ちました。その後、さらなる改善を導入したUltralytics YOLOv8の開発でも重要な役割を果たしました。彼は、この取り組みを素晴らしい道のりだったと語りました。現在もJing Qiuは、Ultralytics YOLO11などのモデルの改良と開発を続けています。

YOLOv10：実環境でのパフォーマンスに最適化#

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は、博士課程の学生として自己紹介しました。最初はソフトウェア工学を学んでいましたが、AIへの関心からコンピュータービジョンとディープラーニングへと進みました。

彼が有名なYOLOモデルに初めて触れたのは、さまざまなAIの手法やモデルを試していたときでした。YOLOの速度と精度に感銘を受け、物体検出などのコンピュータービジョンタスクをさらに深く掘り下げるきっかけになりました。最近では、Ao WangはYOLOモデルの新しいバージョンであるYOLOv10に貢献しました。彼の研究では、モデルの高速化と高精度化に重点が置かれました。

生成AIとVision AIの主な違い#

続いてパネルでは生成AIについての議論が始まり、Jing Qiuは生成AIとVision AIでは目的が大きく異なると指摘しました。生成AIはテキスト、画像、動画などを作成または生成する一方、Vision AIは主に画像など、すでに存在するものを分析します。

Glenn Jocherは、規模も大きな違いだと強調しました。生成AIモデルは非常に大規模で、多くの場合、モデルがデータから学習するのを助ける内部設定であるパラメーターを数十億個備えています。一方、コンピュータービジョンモデルははるかに小規模です。彼は、「当社の最小のYOLOモデルは、最小のLLM [大規模言語モデル]の約1,000分の1のサイズです。つまり、パラメーター数は300万対30億です」と述べました。

図2。YV24での生成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とコンピュータービジョンでは学習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、非常に大規模で高性能なサーバーが必要です。一方、YOLOのようなモデルは効率性を重視して設計されており、一般的なハードウェアで学習とデプロイが可能です。そのため、Ultralytics YOLOモデルは実環境でより実用的です。

両者は異なる分野ですが、連携し始めています。Glenn Jocherは、生成AIがVision AIに新たな進歩をもたらし、モデルをよりスマートで効率的にしていると説明しました。

生成AIがコンピュータービジョンに与える影響#

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ービジョンを含む、人工知能の他の多くの分野にも影響を与えています。続いて、このテーマに関するパネルの興味深い知見を紹介します。

ハードウェアの進歩がAIイノベーションを可能にする#

パネルの冒頭で、Glenn Jocherは、機械学習のアイデアは以前から存在していたものの、コンピューターの性能が不十分で実用化できなかったと説明しました。AIのアイデアを実現するには、より強力なハードウェアが必要でした。

過去20年間における、並列処理機能を備えたGPU（GPU）の普及がすべてを変えました。これによってAIモデルの学習が大幅に高速化・効率化し、ディープラーニングが急速に発展しました。

現在では、TPU（TPU）などのAIチップや最適化されたGPUが、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はより利用しやすくなり、実環境のアプリケーションで役立つようになりました。

ハードウェアが新たに進歩するたびに、生成AIとコンピュータービジョンのアプリケーションはいずれも高性能になっています。こうした進歩により、リアルタイムAIは高速かつ効率的になり、より多くの業界で利用できるようになっています。

生成AIが物体検出モデルを形作る仕組み#

生成AIがコンピュータービジョンに与える影響について尋ねられたJing Qiuは、画像の重要な部分にAIの注意を向けさせるモデルであるTransformerが、AIによる画像の理解と処理の方法を変えたと述べました。最初の大きな進展はDETR（Detection Transformer）で、この新しいアプローチを物体検出に活用しました。精度は向上しましたが、パフォーマンス上の問題により、場合によっては処理が遅くなりました。

この課題に対応するため、研究者はRT-DETRのようなハイブリッドモデルを開発しました。これらのモデルは、畳み込みニューラルネットワーク（CNN、画像から特徴を自動的に学習・抽出する深層学習モデル）とTransformerを組み合わせ、速度と精度のバランスを取っています。このアプローチはTransformerの利点を活用しながら、物体検出を高速化します。

興味深いことに、YOLOv10はTransformerベースのアテンションレイヤー（画像内の重要な領域をスポットライトのように強調し、関連性の低い詳細を無視するモデルの構成要素）を使って性能を高めています。

Ao Wangは、生成AIがモデルの学習方法を変えていることにも触れました。マスク画像モデリングなどの技術を使うと、大量の手動ラベル付きデータセットへの依存を減らしながら、AIが画像からより効率的に学習できます。これにより、コンピュータービジョンの学習は高速化し、必要なリソースも少なくなります。

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テーマは、生成AIとVision AIを組み合わせて、より高性能なモデルを構築できる可能性です。Glenn Jocherは、両者にはそれぞれ異なる強みがある一方で、組み合わせることで新たな可能性が広がると説明しました。

たとえば、YOLOのようなビジョンAIモデルは、物体を特定するために画像をグリッド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、多くの言語モデルが現在直面している課題である、詳細の特定と説明の両方の能力を向上させるのに役立つ可能性があります。こうした手法を組み合わせれば、見たものを正確に検出し、明確に説明できるシステムにつながる可能性があります。すでに両方を実行できる視覚言語モデルもあり、VLMリーダーボードでは物体検出の性能を追跡しています。

図3。生成AIとVision AIの未来。画像：著者。

重要なポイント#

生成AIとコンピュータービジョンは、ともに進歩しています。生成AIは画像や動画を作成するだけでなく、ビジョンAIモデルの精度と効率を高める新たなアイデアをもたらし、画像や動画の分析も改善します。

YV24のこのパネルディスカッションでは、Glenn Jocher、Jing Qiu、Ao Wangが、これらの技術が未来をどのように形作るかについて意見を交わしました。AIハードウェアの進歩に伴い、生成AIとビジョンAIは今後も進化し、さらなるイノベーションにつながるでしょう。この2つの分野は連携し、日常生活に役立つ、よりスマートで高速なAIの実現に取り組んでいます。

コミュニティに参加し、GitHubリポジトリを確認して、Vision AIについて詳しくご覧ください。ライセンスオプションを確認して、コンピュータービジョンプロジェクトを始めましょう。製造業におけるAIや自動運転におけるコンピュータービジョンなどのイノベーションに関心がありますか？ソリューションのページをご覧ください。