YOLO11などのUltralytics YOLOモデルのベンチマーク方法

現在、利用可能なAIモデルが増えるなか、正確で信頼性の高い結果を得るには、特定のAIアプリケーションに最適なモデルを選択することが重要です。モデルによって速度、精度、全体的なパフォーマンスは異なります。では、特定のタスクに最適なモデルをどのように判断すればよいのでしょうか。これは、自動運転車、セキュリティソリューション、ロボティクスなど、迅速で信頼できる意思決定が不可欠なリアルタイムシステムで特に重要です。

ベンチマークでは、さまざまな条件下でモデルを評価することで、この疑問に答えられます。さまざまなハードウェア環境や構成でのモデルのパフォーマンスを把握し、より適切な意思決定に役立てることができます。

たとえば、Ultralytics YOLO11は、現在はUltralytics YOLO26に後継されていますが、物体検出やインスタンスセグメンテーションなど、さまざまな視覚データ分析タスクをサポートするコンピュータービジョンモデルです。その機能を十分に理解するには、さまざまな環境で性能をベンチマークし、実環境のシナリオでどのように動作するかを確認できます。

この記事では、YOLO11などのUltralytics YOLOモデルのベンチマーク方法を紹介します。さまざまなハードウェアで性能を比較し、エクスポート形式の違いが速度や効率に与える影響を確認します。

モデルのベンチマークとは#

ビジョンAIモデルを実環境のアプリケーションで使用する際、十分な速度、精度、信頼性があるかどうかをどのように判断すればよいでしょうか。モデルのベンチマークを行うことで、その判断に役立つ知見が得られます。モデルのベンチマークとは、複数のAIモデルをテストして比較し、どのモデルが最も優れたパフォーマンスを発揮するかを確認するプロセスです。

ベンチマークでは、比較の基準を設定し、適切な性能指標（精度や速度など）を選び、すべてのモデルを同じ条件下でテストします。結果から各モデルの長所と短所を把握できるため、特定のAIソリューションに最適なモデルを判断しやすくなります。特に、ベンチマーク用データセットを使用すると、公平な比較を行い、さまざまな実環境のシナリオでモデルの性能を評価できます。

図1. コンピュータービジョンモデルのベンチマークを行う理由。画像提供: 著者。

ベンチマークの重要性がよくわかる例として、監視やロボティクスなどのリアルタイムアプリケーションが挙げられます。わずかな遅延でも意思決定に影響することがあります。ベンチマークを行うと、信頼性の高い予測を維持しながら、モデルが画像を高速に処理できるかどうかを評価できます。

ベンチマークは、パフォーマンスのボトルネックを特定するうえでも重要な役割を果たします。モデルの実行速度が遅い場合や、リソースを過剰に使用する場合、問題の原因がハードウェアの制約、モデルの構成、エクスポート形式のどれにあるかをベンチマークで明らかにできます。こうした知見は、最適な環境を選択するうえで非常に重要です。

モデルのベンチマークとモデルの評価・テストの違い#

モデルのベンチマーク、評価、テストは、併せて使われることの多いAI用語です。似ていますが、同じものではなく、それぞれ異なる役割があります。モデルのテストでは、テストデータセットで単一のモデルを実行し、精度や速度などを測定してパフォーマンスを確認します。一方、モデルの評価では、さらに踏み込んで結果を分析し、モデルの長所と短所、実環境での動作を把握します。どちらも一度に1つのモデルのみを対象とします。

一方、モデルのベンチマークでは、同じテストとデータセットを使用して複数のモデルを並べて比較します。モデル間の精度、速度、効率の違いを明らかにし、特定のタスクに最適なモデルを見つけるのに役立ちます。テストと評価が単一のモデルを対象とするのに対し、ベンチマークでは複数の選択肢を公平に比較し、適切なモデル（または最適なモデル）を選べます。

図2. モデルのベンチマークと評価・テストの違い。画像提供: 著者。

Ultralytics YOLO11の概要#

Ultralytics YOLO11は、さまざまなコンピュータービジョンタスクを正確に実行できるよう設計された、信頼性の高いビジョンAIモデルです。以前のYOLOモデルのバージョンを改良し、実世界の問題解決に役立つ機能を多数備えています。たとえば、物体検出、画像分類、領域のセグメンテーション、動きの追跡などに使用できます。また、セキュリティからオートメーション、分析まで、幅広い業界のアプリケーションで活用できます。

図3. Ultralytics YOLO11を使って画像内の人物をセグメント化する例。

Ultralytics YOLO11の主な利点の1つは、使いやすさです。数行のコードを記述するだけで、複雑なセットアップや高度な技術的専門知識を必要とせず、誰でもAIプロジェクトに統合できます。

さまざまなハードウェア環境でスムーズに動作し、CPU（中央処理装置）、GPU（画像処理装置）、その他の専用AIアクセラレーターで効率的に実行できます。エッジデバイスでもクラウドサーバーでも、高いパフォーマンスを発揮します。

Ultralytics YOLO11には、さまざまなタスク向けに最適化された複数のモデルサイズがあります。ベンチマークを行うことで、特定のニーズに最適なバージョンを判断できます。たとえば、ベンチマークから得られる重要な知見の1つに、NanoやSmallなどの小さなモデルは高速に動作する傾向がある一方、精度が多少低下する可能性があることが挙げられます。

Ultralytics YOLO11などのYOLOモデルをベンチマークする方法#

ベンチマークとは何か、なぜ重要なのかを確認したところで、Ultralytics YOLO11などのYOLOモデルをベンチマークし、その効率を評価して有用な知見を得る方法を見ていきましょう。

まず、ターミナルまたはコマンドプロンプトで次のコマンド「pip install ultralytics」を実行し、Ultralytics Pythonパッケージをインストールします。インストール中に問題が発生した場合は、トラブルシューティングのヒントを掲載したよくある問題のガイドをご覧ください。

パッケージをインストールしたら、数行のPythonコードで簡単にUltralytics YOLO11をベンチマークできます。

from ultralytics.utils.benchmarks import benchmark

# GPUでベンチマーク
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

上記のコードを実行すると、モデルの画像処理速度、1秒間に処理できるフレーム数、物体検出の精度が算出されます。

コード内の「coco8.yaml」は、COCO8（コンテキスト内の一般物体）データセットを基にしたデータセット設定ファイルを指します。これは完全なCOCOデータセットの小規模なサンプル版で、テストや実験によく使用されます。

交通量のモニタリングや医療画像処理など、特定のアプリケーションでUltralytics YOLO11をテストする場合は、関連するデータセット（例: 交通データセットや医療データセット）を使用すると、より正確な知見が得られます。COCOを使ったベンチマークではパフォーマンスの全般的な傾向を把握できますが、最良の結果を得るには、実際のユースケースを反映したデータセットを選択できます。

Ultralytics YOLO11のベンチマーク出力を理解する#

Ultralytics YOLO11のベンチマークが完了したら、次は結果を解釈します。ベンチマークを実行すると、結果にさまざまな数値が表示されます。これらの指標を使って、精度と速度の観点からYOLO11のパフォーマンスを評価できます。

注目すべきUltralytics YOLO11の主なベンチマーク指標は次のとおりです。

• mAP_50-95: 物体検出の精度を測定します。値が高いほど、モデルが物体をより正確に認識できることを示します。
• accuracy_top5: 分類タスクで一般的に使用されます。正解ラベルが上位5つの予測結果に含まれる頻度を示します。
• 推論時間: 1枚の画像の処理にかかる時間で、ミリ秒単位で測定されます。値が小さいほど処理が速いことを示します。

図4. YOLO11のベンチマークパフォーマンスを示すグラフ。

Ultralytics YOLO11のベンチマークで考慮すべきその他の要素#

ベンチマーク結果だけでは、全体像の一部しかわかりません。パフォーマンスをより深く理解するには、さまざまな設定やハードウェアの選択肢を比較すると役立ちます。確認すべき重要な点をいくつか紹介します。

• GPUとCPUの比較: GPUはCPUよりもはるかに高速に画像を処理できます。ベンチマークを行うと、CPUがニーズに対して十分な速度か、GPUを使用するメリットがあるかを確認できます。
• 精度設定（FP32、FP16、INT8）: これらの設定はモデルが数値を処理する方法を制御し、quantize引数（例: quantize=16）で指定します。FP16やINT8などの低精度設定を使うとモデルの実行が速くなり、メモリ使用量も減りますが、精度がわずかに低下する可能性があります。
• エクスポート形式: モデルをTensorRTなどの形式に変換すると、特定のハードウェアで実行速度を大幅に向上できます。特定のデバイスで速度を最適化する場合に役立ちます。

さまざまなハードウェアでUltralytics YOLO11をベンチマークする方法#

Ultralytics Pythonパッケージでは、YOLO11モデルを特定のハードウェアでより効率的に動作するさまざまな形式に変換でき、速度とメモリ使用量の両方を改善できます。エクスポート形式ごとに、異なるデバイス向けに最適化されています。

一方で、ONNX形式はさまざまな環境で性能を向上させることができます。また、OpenVINOはIntelハードウェアでの効率を高め、CoreMLはAppleデバイスに最適で、LiteRT（旧称TensorFlow Lite）はモバイルアプリケーションに適しています。

特定の形式でUltralytics YOLO11をベンチマークする方法を見ていきましょう。以下のコードでは、CPUとGPUの両方でAIモデルを実行する際によく使われるONNX形式のYOLO11をベンチマークします。

from ultralytics.utils.benchmarks import benchmark

# 特定のエクスポート形式（例: ONNX）をベンチマーク
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

ベンチマーク結果だけでなく、適切な形式はシステムの仕様やデプロイ要件によって異なります。たとえば、自動運転車では高速な物体検出が必要です。NVIDIA GPUを使って性能を向上させる場合、NVIDIA GPU上でUltralytics YOLO11を実行するにはTensorRT形式が最適です。

図5. 自動運転車の物体検出にYOLO11を使用。

重要なポイント#

Ultralytics Pythonパッケージにはパフォーマンステストを実行できるシンプルなコマンドが用意されており、YOLO11のベンチマークを簡単に行えます。いくつかの手順を実行するだけで、さまざまな環境がモデルの速度と精度に与える影響を確認できるため、高度な技術的専門知識がなくても、十分な情報に基づいて選択できます。

適切なハードウェアと設定も、パフォーマンスに大きな違いをもたらします。モデルサイズやデータセットなどのパラメーターを調整すると、ハイエンドGPUでもエッジデバイス上のローカル環境でも、最適なパフォーマンスが得られるようUltralytics YOLO11を微調整できます。

コミュニティに参加し、GitHubリポジトリでAIプロジェクトをご覧ください。ソリューションページでは、農業におけるAIの影響や、製造業におけるコンピュータービジョンの役割をご紹介しています。ライセンスプランを確認して、今すぐAIへの取り組みを始めましょう。