画像分類にUltralytics YOLO11を使用する方法

たとえば、ロボットが黒い猫と白い猫の2匹を見ており、それぞれを識別する必要があるとします。そのために、画像内の物体やシーンの識別と分類に役立つコンピュータービジョンタスクである画像分類を使用できます。実際、近年の人工知能（AI）の進歩により、画像分類は、動物モニタリングから、製造業や作物の病気検出を含む農業まで、幅広い用途で利用できます。

画像分類における最新の進歩の一つが、Ultralytics YOLO11モデルです。Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)で発表されたYOLO11は、画像分類を含む幅広いビジョンAIタスクに、容易かつ高精度に対応できるよう設計されています。

この記事では、画像分類の基礎を解説し、実世界での用途について説明するとともに、Ultralytics Pythonパッケージを使用してYOLO11で画像分類を行う方法をご紹介します。また、Ultralytics HUBでYOLO11の機能を簡単な手順で試す方法も確認します。さっそく始めましょう。

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

画像分類とは#

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るか、タグを付けることで機能します。コンピュータービジョンモデルは、画像のピクセルを入念に分析し、その画像に最も適したカテゴリを見つけます。Ultralytics YOLO11のような信頼性の高いモデルは、この処理をスムーズに実行できます。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が必要なアプリケーションに適しています。

画像分類の範囲を正しく理解するには、物体検出などの他のタスクとの違いを区別するとよいでしょう。画像分類が画像全体にラベルを付けるのに対し、物体検出は画像内の各物体を識別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です。

キリンの画像を考えてみましょう。画像分類では、モデルは画像全体の内容に基づいて、画像全体に単純に「キリン」とラベルを付ける場合があります。一方、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て、画像内の正確な位置を特定します。

では、サバンナで他の動物とともに木の近くに立つキリンを想像してください。画像分類モデルは、シーン全体に「サバンナ」または単に「野生動物」とラベルを付ける場合があります。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、それぞれ固有のバウンディングボックス付きで認識します。

Ultralytics YOLO11による画像分類の用途#

画像分類におけるUltralytics YOLO11モデルの精度とパフォーマンスにより、幅広い業界で活用できます。YOLO11の画像分類における主な用途をいくつか見ていきましょう。

農業におけるUltralytics YOLO11の画像分類#

画像分類は、農業および農業関連業界のさまざまな業務を効率化できます。具体的には、YOLO11のような画像分類モデルを使用することで、農家は作物の健康状態を継続的に監視し、深刻な病気を検出するとともに、害虫の被害を高精度に特定できます。

この仕組みを見てみましょう。

• 画像の取得: モノのインターネット (IoT)デバイスであるカメラやドローンを配置し、圃場全体のさまざまな角度や場所から作物のリアルタイム画像を取得できます。
• 処理: 利用可能なリソースと接続性に応じて、画像をエッジコンピューティングによって現場で処理するか、より高度な分析のためにクラウドへ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に分類できます。一般的なクラスには、健全、病気、害虫被害、栄養不足などがあり、圃場の各エリアに影響している具体的な問題の特定に役立ちます。
• インサイトの生成: 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、農家による病気の初期兆候の検出、害虫の集中地域の特定、栄養不足の発見を支援します。
• 情報に基づく意思決定: これらのインサイトにより、農家は灌漑、施肥、害虫防除について的を絞った判断を下し、必要な場所にのみリソースを投入できます。

図3. 健全な葉から感染した葉まで、さまざまなクラスの葉の例です。

小売業におけるUltralytics YOLO11の画像分類#

画像分類は、小売でのショッピング体験を大幅に改善し、よりパーソナライズされた使いやすいものにできます。小売業者は、カスタム学習したコンピュータービジョンモデルを使用して在庫内の商品を認識し、その機能をモバイルアプリやWeb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商品を検索できるため、買い物がより速く便利になります。

顧客が画像をビジュアル検索システムにアップロードすると、検索結果が表示されるまでに、システム内部でいくつかの処理が行われます。

まず、物体検出を使用して、衣類や家具など、画像内の主なアイテムを取り出し、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分類し、それがジャケット、シャツ、ソファ、テーブルのいずれであるかを認識します。

この情報を使用すると、購入可能な類似商品を表示できます。これは、言葉だけでは説明しにくい独特な商品や流行の商品を見つける際に特に役立ちます。同じ技術は、アイテムを自動的に認識して分類することで、在庫管理など、小売業における他の業務の効率化にも役立ちます。

図4. 画像分類に基づくビジュアル検索プラットフォームの動作例です。

Ultralytics YOLO11の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、多くの人員が何千枚もの写真を手作業で分類・分析する、手間のかかる作業でした。Ultralytics YOLO11のようなコンピュータービジョンモデルを使用すれば、研究者はより迅速に動物を自動監視できます。カメラを自然の生息地に設置して写真を撮影し、ビジョンAIモデルで写真を分析して、写真内の動物（存在する場合）を分類できます。このようなシステムは、研究者が動物の個体数、その移動パターンなどを研究し、追跡するのに役立ちます。

この分野でAIやUltralytics YOLO11のようなコンピュータービジョンモデルが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、さまざまなタスマニアの野生動物を監視する画像分類ベースのシステムを開発しました。モデルの予測は、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を把握できます。

図5. Ultralytics YOLO11が犬の可能性のある品種を予測しています。

Ultralytics YOLO11モデルで画像分類を試す#

画像分類とは何かを説明し、その用途をいくつか見てきたところで、新しいYOLO11モデルで画像分類を試す方法を確認しましょう。簡単に始める方法は、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つです。両方の方法を順に説明します。

Ultralytics YOLO11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、役立つトラブルシューティングのヒントを掲載した一般的な問題のガイドをご確認ください。

パッケージをインストールすると、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読み込み、画像に対して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する予測を行うことです。お好きな画像で試してみてください。

図6. Ultralytics YOLO11モデルを使用した推論の実行です。

カスタム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できます。例えば、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、その目的専用に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画像分類モデルを読み込んで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利用して独自モデルのパフォーマンスを高めるために、事前学習済みの重みを転移できます。データセットには、衣類（シャツ、ズボン、靴など）のグレースケール画像で構成された有名な「fashion-mnist」データセットなどを指定できます。このデータセットでモデルをトレーニングすると、さまざまな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られます。

図7. 画像分類用のUltralytics YOLO11モデルのカスタムトレーニングです。

Ultralytics HUBでYOLO11を試す#

Ultralyticsパッケージは簡単に使用できますが、ある程度のPython知識が必要です。より初心者向けの選択肢をお探しの場合は、さまざまなYOLOモデルのトレーニングとデプロイを簡単かつ利用しやすくするために設計されたプラットフォーム、Ultralytics HUBを使用できます。始めるには、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、「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という、さまざまなモデルサイズが表示されます。モデルを選択した後、「Preview」セクションで画像をアップロードできます。画像の処理が完了すると、予測結果がページの左側に表示されます。

図8. Ultralytics HUBを使用した推論の実行です。

主なポイント#

YOLO11は、さまざまな業界に新たな可能性をもたらす強力な画像分類機能を備えています。農業における作物モニタリングの改善、小売業における商品検索の強化、野生動物保全の支援まで、YOLO11の速度と精度は多様な用途に適しています。Ultralytics Pythonパッケージによるカスタムトレーニングや、Ultralytics HUBでの使いやすいノーコード環境に対応しているため、ユーザーはYOLO11をワークフローに簡単に組み込めます。より多くの業界がAIソリューションを導入する中、YOLO11はイノベーションと実用的な進歩を支える、柔軟で高性能なツールを提供します。

さらに詳しく知りたい方は、GitHubリポジトリをご覧いただき、コミュニティにご参加ください。ソリューションページでは、自動運転車やヘルスケアにおけるAIの活用例をご覧いただけます。🚀