Ultralytics YOLO11で画像分類を行う方法

例えば、ロボットが黒と白の2匹の猫を見て、どちらがどちらかを判断する必要があるとします。そのために、画像分類を利用できます。これは、画像内のオブジェクトやシーンを特定および分類するのに役立つコンピュータビジョンタスクです。実際、最近の人工知能 (AI)の進歩により、画像分類は動物のモニタリングから、作物病害検出を行う製造業や農業まで、幅広いアプリケーションで使用されています。

One of the latest advancements in image classification is the Ultralytics YOLO11 model. Launched at Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 is designed to tackle a wide variety of vision AI tasks, including image classification, with ease and precision.

In this article, we’ll explore the fundamentals of image classification, discuss real-world applications, and show you how you can use YOLO11 for image classification through the Ultralytics Python package. We’ll also take a look at how you can try out YOLO11’s capabilities on the Ultralytics HUB in a few easy steps. Let’s get started!

図1：Ultralytics YOLO11を使用してペルシャ猫を分類する例。

Link to this section画像分類とは何ですか？#

画像分類は、以前にラベル付けされた画像から学習したパターンに基づいて、画像にラベルやタグを割り当てることで機能します。画像のピクセルを慎重に分析することで、コンピュータビジョンモデルは画像に最適な一致を見つけることができます。YOLO11のような信頼性の高いモデルは、このプロセスをシームレスに処理できます。YOLO11のモデルアーキテクチャにより、画像やビデオフレームをほぼ瞬時に処理できるため、高速で正確な画像分類を必要とするアプリケーションに最適です。

画像分類の範囲を真に理解するためには、物体検出のような他のタスクと区別することが役立ちます。画像分類は画像全体にラベルを付けますが、物体検出は画像内の各オブジェクトを特定して位置を特定します。

図2：画像分類、物体検出、画像セグメンテーションの比較。

キリンの画像を考えてみましょう。画像分類では、モデルはその全体的なコンテンツに基づいて、画像全体に単純に「キリン」とラベルを付けるかもしれません。しかし、物体検出では、モデルはキリンを識別するだけでなく、キリンの周囲にバウンディングボックスを配置し、画像内での正確な位置を特定します。

次に、サバンナで他の動物と一緒に木の近くに立っているキリンを想像してください。画像分類モデルは、シーン全体を「サバンナ」や単に「野生動物」とラベル付けするかもしれません。しかし、物体検出では、モデルは各要素を個別に識別し、キリン、木、その他の動物を認識して、それぞれにバウンディングボックスを割り当てます。

Link to this sectionYOLO11の画像分類アプリケーション#

画像分類におけるUltralytics YOLO11モデルの精度とパフォーマンスは、幅広い業界で役立ちます。YOLO11の主要な画像分類アプリケーションのいくつかを探ってみましょう。

Link to this section農業におけるYOLO11の画像分類#

画像分類は、農業業界における多くの機能を合理化するのに役立ちます。具体的には、YOLO11のような画像分類モデルを使用して、農家は作物の健康状態を常に監視し、深刻な病気を検出し、害虫の発生を高精度で特定できます。

仕組みは以下の通りです：

• 画像キャプチャ: IoTデバイスなどのカメラやドローンをデプロイすることで、農地の様々な角度や場所から作物のリアルタイム画像をキャプチャできます。
• 処理：利用可能なリソースや接続性に応じて、画像はエッジコンピューティングを介して現場で処理するか、より集中的な分析のためにクラウドにアップロードできます。
• YOLO11による画像分類：YOLO11モデルはこれらの画像を分析し、さまざまな作物の状態を分類できます。一般的なクラスには、健康、病気、害虫被害、栄養不足などが含まれ、畑のさまざまな領域に影響を与える特定の問題を特定するのに役立ちます。
• インサイト生成：分類に基づいて、YOLO11は作物の健康指標に関するインサイトを提供し、農家が病気の初期兆候を検出し、害虫のホットスポットを特定したり、栄養不足を発見したりするのを支援します。
• 情報に基づいた意思決定：これらのインサイトを活用することで、農家は灌漑、施肥、害虫駆除について的を絞った決定を下し、本当に必要な場所にのみリソースを投入できます。

図3：健康なものから感染したものまでの葉の異なるクラスの例。

Link to this section小売におけるYOLO11の画像分類#

画像分類は、小売ショッピング体験を大幅に向上させ、よりパーソナライズされたユーザーフレンドリーなものにすることができます。小売業者は、カスタムトレーニングされたコンピュータビジョンモデルを使用して在庫内の製品を認識し、この機能をモバイルアプリやウェブサイトに統合できます。顧客は写真をアップロードするだけで製品を検索できるため、買い物がより迅速で便利になります。

顧客が画像検索システムに画像をアップロードすると、検索結果が表示される前に舞台裏でいくつかのプロセスが実行されます。

まず、物体検出を使用して画像内の主要なアイテム（衣類や家具など）を抽出し、背景から分離します。次に、画像分類を使用して各アイテムをさらに分類し、それがジャケット、シャツ、ソファ、テーブルのどれであるかを認識します。

この情報により、システムは購入可能な類似の製品を表示できます。これは、言葉だけで説明するのが難しいユニークなアイテムやトレンディなアイテムを見つけるのに特に役立ちます。同じテクノロジーを使用して、アイテムを自動的に認識および分類することで、在庫管理などの他の小売タスクを合理化することもできます。

図4：動作中の画像分類ベースのビジュアル検索プラットフォーム。

Link to this sectionYOLO11画像分類による野生動物モニタリング#

Traditionally, monitoring animals in the wild is a tedious task involving many people manually sorting and analyzing thousands of photos. With computer vision modes like YOLO11, researchers can automatically monitor animals at a faster rate. Cameras can be placed in natural habitats to take photos. The vision AI model can then be used to analyze these photos and classify the animals within them (if any). Such a system can help researchers study and track animal populations, their migration patterns, etc.

AIやYOLO11のようなコンピュータビジョンモデルがこの分野で役立つもう一つの方法は、絶滅危惧種の分類プロセスを合理化することです。動物が属する可能性のある種や品種のカテゴリを特定することで、これらのモデルは研究者に不可欠なデータを提供できます。例えば、タスマニア大学（UTAS）は、タスマニアの野生動物を監視するための画像分類ベースのシステムを開発しました。モデルによる予測は、密猟や生息地の喪失といった脅威の兆候となる動物の活動や行動を、科学者や研究者が監視するのに役立ちます。

図5：YOLO11が犬の属する可能性のある品種を予測。

Link to this sectionYOLO11モデルで画像分類を試す#

画像分類とは何か、その応用事例について解説しましたので、次は新しいYOLO11モデルで画像分類を試す方法を見ていきましょう。開始するには、Ultralytics Pythonパッケージを使用する方法と、Ultralytics HUBを使用する方法の2つの簡単な方法があります。両方のオプションについて順を追って説明します。

Link to this sectionYOLO11を使用した推論の実行#

Ultralytics Pythonパッケージを使い始めるには、pip、conda、またはDockerを使用してインストールするだけです。問題が発生した場合は、一般的な問題ガイドで役立つトラブルシューティングのヒントを確認してください。

パッケージがインストールされたら、以下のコードを使用してYOLO11画像分類モデルのバリアントをロードし、画像で推論を実行できます。推論の実行とは、学習済みモデルを使用して、新しい未知のデータに対して予測を行うことを指します。お好みの画像で試してみてください！

図6：YOLO11モデルを使用した推論の実行。

Link to this sectionカスタムYOLO11分類モデルのトレーニング#

You can also use the same Python package to train a custom YOLO11 classification model. Custom training makes it possible for you to fine-tune a YOLO11 model for your specific needs. For example, if you’re developing an app to classify different cat breeds, you can custom-train a YOLO11 model just for that purpose.

以下のコードは、YOLO11画像分類モデルをロードしてトレーニングする方法を示しています。既存のモデルの知識を使用して自身のモデルのパフォーマンスを向上させる事前学習済み重みの転移が可能です。衣類アイテム（シャツ、パンツ、靴など）のグレースケール画像の有名なセットである「fashion-mnist」データセットのようなデータセットを指定できます。このデータセットでモデルをトレーニングすると、異なる衣類カテゴリを認識できるようになります。「fashion-mnist」は、猫の品種や植物の種類など、プロジェクトに適した任意のデータセットに置き換えることができます。

図7：画像分類のためのYOLO11モデルのカスタムトレーニング。

Link to this sectionUltralytics HUBでYOLO11を試す#

Ultralyticsパッケージの使用は簡単ですが、Pythonの知識が多少必要です。より初心者向けのオプションを探している場合は、さまざまなYOLOモデルのトレーニングとデプロイを簡単かつアクセスしやすくするために設計されたプラットフォームであるUltralytics HUBを使用できます。開始するには、アカウントを作成する必要があります。

サインインしたら、「モデル」セクションに移動し、画像分類用のYOLO11モデルを選択します。ナノ、スモール、ミディアム、ラージ、エクストララージなど、さまざまなモデルサイズが利用可能です。モデルを選択した後、「プレビュー」セクションで画像をアップロードすると、画像が処理された後、ページ左側に予測結果が表示されます。

図8：Ultralytics HUBを使用して推論を実行。

Link to this section重要なポイント#

YOLO11は、さまざまな業界で新たな可能性を切り開く強力な画像分類機能を提供します。農業における作物モニタリングの改善や小売における製品検索の強化から、野生動物保護の支援まで、YOLO11の速度と精度は多様なアプリケーションに最適です。Ultralytics Pythonパッケージによるカスタムトレーニング、またはUltralytics HUBでのユーザーフレンドリーなノーコード設定により、ユーザーはYOLO11をワークフローに簡単に組み込むことができます。多くの業界がAIソリューションを採用する中で、YOLO11はイノベーションと実用的な進歩をサポートする柔軟で高性能なツールを提供します。

詳細については、GitHubリポジトリにアクセスし、私たちのコミュニティに参加してください。自動運転車やヘルスケアにおけるAIアプリケーションについては、ソリューションページをご覧ください。🚀