Ultralytics YOLO11で画像分類を行う方法
新しいUltralytics YOLO11モデルがどのように画像分類を改善し、農業、小売、野生生物監視といったタスクにおいてより高い精度を実現するかを学びます。
例えば、あるrobotが黒猫と白猫の2匹を見ていて、どちらがどちらかを判断しなければならないとします。そのためには、image classificationを使用できます。これは、画像内のオブジェクトやシーンを識別して分類するのに役立つcomputer vision taskです。実際、artificial intelligence (AI)の最近の進歩のおかげで、image classificationは、animal monitoringから、crop disease detectionを用いた製造業や農業に至るまで、非常に幅広いアプリケーションで使用されています。
image classificationにおける最新の進歩の1つが、Ultralytics YOLO11 modelです。Ultralytics' annual hybrid eventであるYOLO Vision 2024 (YV24)で発表されたYOLO11は、image classificationをはじめとするさまざまなvision AIタスクを、簡単かつ高精度に処理できるように設計されています。
この記事では、image classificationの基礎を探り、実際のアプリケーションについて議論し、Ultralytics Python packageを使用してYOLO11をimage classificationに活用する方法を紹介します。また、いくつかの簡単な手順でUltralytics HUB上でYOLO11’sの機能を試す方法についても見ていきます。それでは始めましょう！
図1：Ultralytics YOLO11を使用してペルシャ猫を分類する例。
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、画像にラベルを割り当てたり、タグを付けたりすることで機能します。画像のピクセルを注意深く分析することで、コンピュータビジョンモデルはその画像に最も適した一致を見つけることができます。Ultralytics 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ようになり、高速かつ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には、object detectionなどの他のタスクと区別することが役立ちます。画像分類が画像全体にラベルを付けるのに対し、オブジェクト検出は画像内の各オブジェクトを識別して特定します。
Fig 2. 画像分類、オブジェクト検出、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。image classificationでは、モデルはその全体的なコンテンツに基づいて、画像全体を単にキリンとラベル付けするかもしれません。しかし、object detectionでは、モデルはキリンを識別するだけにとどまらず、キリンの周り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。
Ultralytics YOLO11 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performanceは、幅広い業界で役立ちます。画像分類におけるYOLO11の主要なアプリケーションのいくつかを探索してみましょう。
農業分野における Ultralytics YOLO11 画像分類#
画像分類は、agricultureおよび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cropsの健康状態を常に監視し、深刻な病気を検出し、pest infestations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: Internet of Things (IoT) devicesやcameras and dronesをdeployedして、畑のさまざまな角度や場所から農作物のリアルタイム画像をキャプチャできます。
- Processing: 利用可能なリソースと接続性に応じて、画像はedge computingを介してオンサイトで処理されるか、より集中的な分析のためにcloudにアップロードされます。
- YOLO11による画像分類: YOLO11モデルはこれらの画像を分析して、さまざまなcrop conditionsを分類できます。一般的なクラスには、健康、病気、害虫発生、または栄養不足などがあり、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: 分類結果に基づき、Ultralytics 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の検出、害虫のホットスポットの特定、あるいは栄養素欠乏の発見を行うのを支援します。
- Informed decision-making: これらのインサイトにより、農家は灌漑、施肥、害虫駆除について的確な決定を下し、最も必要な場所にのみリソースを投入できます。
Fig 3. 健康な状態から感染した状態までの異なる葉のクラスの例。
小売分野における Ultralytics YOLO11 画像分類#
画像分類は、retail shopping体験を大幅に向上させ、よりパーソナライズされて使いやすいものにすることができます。Retailersは、custom-trainedコンピュータビジョンモデルを使用してインベントリ内の商品を認識し、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。これにより、顧客は写真をアップロードするだけで商品を検索でき、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、object detectionを使用して画像内の主要なアイテムを抽出し、衣類や家具の断片を識別して背景から分離できます。次に、画像分類を使用して各アイテムをさらにカテゴリ分けし、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できます。
この情報により、システムは購入可能なsimilar productsを呼び出すことができます。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。同じテクノロジーにより、アイテムを自動的に認識してカテゴリ分けすることで、inventory managementなどの他の小売タスクを合理化することもできます。
Fig 4. 稼働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。
Ultralytics YOLO11 画像分類による野生動物モニタリング#
従来、野生動物のモニタリングは、多くの人が何千もの写真を的手作業で仕分け・分析するという退屈な作業でした。Ultralytics YOLO11のようなコンピュータビジョンモードを使用することで、研究者はより速いペースで自動的に動物を監視できます。カメラを自然の生息地に設置して写真を撮影することが可能です。その後、ビジョンAIモデルを使用してこれらの写真を分析し、その中の動物を分類（存在する場合）できます。このようなシステムは、研究者が動物の個体数や移動パターンなどを研究し、追跡するのに役立ちます。
Ultralytics YOLO11のようなAIおよび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効率化することです。動物が属している可能性のある種や品種のカテゴリを特定することにより、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、さまざまなタスマニアの野生動物をモニタリングするための画像分類ベースのシステムを開発しました。モデルからの予測は、科学者や研究者が動物の活動や行動を監視するのに役立ち、密猟や生息地の喪失などの脅威の兆候となる可能性があります。
図5: Ultralytics YOLO11 が犬の可能性のある犬種を予測している様子。
Ultralytics YOLO11モデルで画像分類を試してみる#
画像分類とは何か、またそのアプリケーションの一部について説明したので、新しいYOLO11モデルで画像分類を試す方法を見てみましょう。始めるには2つの簡単な方法があります。Ultralytics Python packageを使用するか、Ultralytics HUBを使用するかです。両方のオプションについて説明します。
Ultralytics YOLO11を使用した推論の実行#
Ultralytics Python packageを使い始めるには、pip、conda、またはDockerを使用して単にinstall itします。問題が発生した場合は、Common Issues Guideを参照して役立つtroubleshooting tips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、次のコードを使用してUltralytics YOLO11画像分類モデルのバリアントをロードし、画像に対して推論を実行できます。推論の実行とは、トレーニング済みモデルを使用して、新しい未見のデータに対する予測を行うことを意味します。お好みの画像でぜひお試しください！
図 6. Ultralytics YOLO11モデルを使用した推論の実行。
カスタムのUltralytics YOLO11分類モデルのトレーニング#
同じPythonパッケージを使用して、カスタムのUltralytics YOLO11分類モデルをトレーニングすることもできます。カスタムトレーニングにより、特定のニーズに合わせてYOLO11モデルをファインチューニングすることが可能になります。たとえば、さまざまな猫の品種を分類するアプリを開発している場合、その目的のために特化してYOLO11モデルをカスタムトレーニングできます。
以下のコードは、Ultralytics 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。これにより、事前トレーニング済みの重みを転移させ、既存モデルの知識を活用して独自のモデルのパフォーマンスを向上させることができます。「fashion-mnist」などのデータセットを指定できます。これは、衣料品（シャツ、パンツ、靴など）のグレースケール画像を集めたよく知られたセットです。このデータセットでモデルをトレーニングすると、さまざまな衣料品カテゴリを認識できるようになります。「fashion-mnist」を、猫の品種や植物の種類など、プロジェクトに適した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Ultralytics YOLO11モデルのカスタムトレーニング。
Ultralytics HUBでYOLO11を試す#
Ultralytics packageの使用は簡単ですが、Pythonの知識が必要です。より初心者向けのオプションをお探しの場合は、さまざまなYOLOモデルのトレーニングとデプロイをシンプルかつアクセスしやすくするよう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。始めるには、create an accountする必要があります。
サインインしたら、「Models」セクションに移動し、画像分類用のUltralytics YOLO11モデルを選択します。nano、small、medium、large、extra-largeなど、利用可能なさまざまなモデルサイズが表示されます。モデルを選択したら、「Preview」セクションで画像をアップロードできます。画像が処理されると、ページの左側に予測が表示されます。
図8：Ultralytics HUBを使用して推論を実行。
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 repositoryにアクセスし、communityに参加してください。ソリューションページで、self-driving carsおよびhealthcareにおけるAIアプリケーションを探索してください。🚀
