画像分類にUltralytics YOLO11を使用する方法

ロボットが黒猫と白猫を見て、どちらがどちらかを判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利用できます。実際、人工知能（AI）の近年の進歩により、動物のモニタリングから、製造業や作物の病気検出を含む農業まで、幅広い用途で画像分類が活用されています。

画像分類における注目すべき進歩の1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、簡単かつ高精度に対応できるよう設計されています。（その後、YOLO11は同じタスクに対応するUltralytics YOLO26に引き継がれました。）

この記事では、画像分類の基礎と現実世界での活用例を説明し、Ultralytics Pythonパッケージを通じてYOLO11を画像分類に利用する方法をご紹介します。また、簡単な手順でUltralytics HUB（現在のUltralytics Platform）からYOLO11の機能を試す方法も見ていきます。それでは始めましょう。

図1. Ultralytics YOLO11を使ったペルシャ猫の分類例。

画像分類とは何ですか？#

画像分類では、ラベル付き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、コンピュータービジョンモデルは画像に最も適合するカテゴリを見つけられます。Ultralytics YOLO11のような信頼性の高いモデルは、この処理を効率的に実行できます。YOLO11のモデルアーキテクチャは、画像や動画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。

画像分類の適用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区別すると役立ちます。画像分類では画像全体にラベルを付けるのに対し、物体検出で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。

キリンの画像を例に考えてみましょう。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「キリン」というラベルを付ける場合があります。一方、物体検出では、キリンを特定するだけでなく、キリンの周囲にバウンディングボックスを配置し、画像内の正確な位置を示します。

では、サバンナで他の動物と一緒に木の近くに立つキリンを想像してみてください。画像分類モデルは、シーン全体をサバンナ、または単に野生動物と分類する場合があります。一方、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独自のバウンディングボックスで認識します。

Ultralytics YOLO11による画像分類の活用例#

画像分類におけるUltralytics YOLO11モデルの精度と性能は、幅広い業界で役立ちます。YOLO11の画像分類における主な活用例を見ていきましょう。

農業におけるUltralytics YOLO11による画像分類#

画像分類は、農業分野のさまざまな業務を効率化できます。具体的には、農家はYOLO11などの画像分類モデルを使って作物の健康状態を継続的に監視し、深刻な病気を検出し、害虫の発生を高い精度で特定できます。

その仕組みを見てみましょう。

• 画像の撮影：カメラやドローンなどのモノのインターネット（IoT）デバイスを導入し、畑のさまざまな場所や角度から作物の画像をリアルタイムで撮影できます。
• 処理: 利用可能なリソースや接続状況に応じて、画像を現地でエッジコンピューティングによって処理するか、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て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、病害、害虫被害、栄養不足などがあり、圃場の各エリアに影響を与えている特定の問題を特定するのに役立ちます。
• インサイトの生成: 分類結果に基づき、Ultralytics YOLO11は作物の健全性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たり、害虫の発生地点を特定したり、栄養不足を見つけたりするのに役立ちます。
• 情報に基づく意思決定: こうしたインサイトを活用すると、農家は灌漑、施肥、防除について対象を絞った判断を行い、最も必要な場所にだけ資源を投入できます。

図3。健康なものから感染したものまで、さまざまなクラスの葉の例。

小売業におけるUltralytics YOLO11による画像分類#

画像分類は、小売店での買い物体験を大幅に向上させ、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、独自に学習させたコンピュータービジョンモデルを使って在庫商品を認識し、その機能をモバイルアプリやウェブサイトに組み込めます。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、買い物がより迅速で便利になります。

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、バックグラウンドでいくつかの処理が実行されます。

まず、物体検出を使って画像内の主要なアイテムを抽出します。たとえば、衣類や家具を特定して背景から分離します。次に、画像分類を使っ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できます。

この情報を使って、システムは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珍しい商品や流行の商品を探す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、小売業の他の業務の効率化にも役立ちます。

図4。画像分類ベースのビジュアル検索プラットフォームの動作例。

Ultralytics YOLO11による野生動物のモニタリング#

従来、野生動物の監視は、多くの人が何千枚もの写真を手作業で仕分け、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えば、研究者は動物をより速く自動監視できます。自然の生息地にカメラを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、写っている動物がいれば分類できます。このようなシステムは、研究者が動物の個体数や移動パターンを調査、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1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ーを特定することで、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。たとえば、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ために、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。犬が属する可能性のある品種を予測するUltralytics YOLO11。

Ultralytics YOLO11モデルで画像分類を試す#

画像分類とは何かを解説し、その用途をいくつか見てきました。ここでは、YOLO11で画像分類を試す方法をご紹介します。簡単に始める方法は2つあります。Ultralytics Pythonパッケージを使用する方法と、Ultralytics HUBを利用する方法です。両方の方法を順に説明します。

Ultralytics YOLO11を使った推論の実行#

Ultralytics Pythonパッケージを使い始めるには、pip、conda、またはDockerを使ってインストールしてください。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が記載されたよくある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したら、次のコードを使って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。推論を実行するとは、学習済みモデルを使って、まだ見たことのない新しいデータを予測することです。お好みの画像で試してみてください。

図6。Ultralytics YOLO11モデルを使った推論の実行。

カスタムUltralytics YOLO11分類モデルの学習#

同じPythonパッケージを使って、カスタムのUltralytics YOLO11分類モデルを学習することもできます。カスタム学習を行うと、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。たとえば、さまざまな猫種を分類するアプリを開発している場合、その目的に特化したYOLO11分類モデルをカスタム学習できます。

以下のコードは、Ultralytics YOLO11画像分類モデルを読み込んで学習させる方法を示しています。既存モデルの知識を活用して独自モデルの性能を高めるために、事前学習済みの重みを転移できます。「fashion-mnist」のようなデータセットを指定できます。このデータセットは、衣類（シャツ、ズボン、靴など）のよく知られたグレースケール画像セットです。このデータセットでモデルを学習すると、さまざまな衣類のカテゴリーを認識できるようになります。「fashion-mnist」は、猫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モデルのカスタム学習。

Ultralytics HUBでYOLO11を試す#

Ultralyticsパッケージの使用は簡単ですが、ある程度のPythonの知識が必要です。より初心者向けの方法をお探しの場合は、さまざまなYOLOモデルの学習とデプロイを簡単に行えるよう設計されたプラットフォーム、Ultralytics HUBを利用できます。始めるには、アカウントを作成してください。

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、さまざまなモデルサイズが用意されています。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。画像の処理後、予測結果がページの左側に表示されます。

図8。推論の実行にUltralytics HUBを使用。

重要なポイント#

YOLO11は強力な画像分類機能を備えており、さまざまな業界に新たな可能性をもたらします。農業での作物監視の改善、小売業での商品検索の向上、野生動物の保護支援など、YOLO11の速度と精度は幅広い用途に適しています。Ultralytics Pythonパッケージを使ったカスタム学習や、Ultralytics HUBでの使いやすいノーコード設定を利用できるため、ユーザーはYOLO11をワークフローに簡単に組み込めます。より多くの業界でAIが導入されるなか、YOLO11は柔軟で高速な画像分類の選択肢を提供します。

詳しくは、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。