インスタンスセグメンテーションにUltralytics YOLO11を使用する方法

機械が視覚情報を解釈して理解できるようにする人工知能（AI）の分野であるコンピュータービジョンは、インスタンスセグメンテーションなどのタスクを可能にします。インスタンスセグメンテーションを使うと、画像や動画のフレームを分析し、同じ種類の物体が複数存在する場合でも、それぞれの物体の境界を正確に示せます。高精度なインスタンスセグメンテーションは、道路上の障害物を自動運転車が検出する用途から、医療画像内の腫瘍の特定まで、幅広く活用されています。

インスタンスセグメンテーションは、長年にわたって大きく進化してきました。最近の進歩の一つは、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Ultralytics YOLO11モデルです（後継としてUltralytics YOLO26が登場しています）。この新しいモデルは、インスタンスセグメンテーションを含む、Ultralytics YOLOv8モデルと同じコンピュータービジョンタスクに対応しているため、従来バージョンに慣れているユーザーも簡単に導入できます。

図1. インスタンスセグメンテーションにUltralytics YOLO11モデルを使用した例。

この記事では、インスタンスセグメンテーションと、セマンティックセグメンテーションなどのほかのコンピュータービジョンタスクとの違いを説明し、いくつかの活用例をご紹介します。また、Ultralytics PythonパッケージとUltralytics HUB（現在のUltralytics Platform）を使って、YOLO11のインスタンスセグメンテーションモデルを利用する方法も解説します。それでは始めましょう。

インスタンスセグメンテーションとは？#

インスタンスセグメンテーションを使うと、画像内の物体を特定し、ピクセル単位で輪郭を示せます。通常はまず物体を検出し、物体の周囲にバウンディングボックスを描画します。次に、セグメンテーションアルゴリズムがバウンディングボックス内の各ピクセルを分類し、物体ごとの正確なマスクを作成します。

インスタンスセグメンテーションは、セマンティックセグメンテーションやパノプティックセグメンテーションなどのタスクとも異なります。セマンティックセグメンテーションでは、個々のインスタンスを区別せず、物体の一般的なカテゴリに基づいて各ピクセルにラベルを付けます。一方、パノプティックセグメンテーションはインスタンスセグメンテーションとセマンティックセグメンテーションを組み合わせ、各ピクセルにクラスとインスタンスIDの両方を付与して、カテゴリ内の個々の物体を識別します。

図2. YOLO11を使った人と犬の検出およびセグメンテーション。

インスタンスセグメンテーションの機能は、用途に応じて異なるモデルが必要となるさまざまなシナリオで活用できます。たとえば、モバイルアプリケーションでリアルタイム処理を行うには軽量モデルが適している一方、製造業の品質管理など高精度が求められるタスクには、より複雑なモデルを使用できます。

従来モデルと同様に、YOLO11のインスタンスセグメンテーションモデルにも、ニーズに応じた複数のバリアントがあります。YOLO11n-seg（Nano）、YOLO11s-seg（Small）、YOLO11m-seg（Medium）、YOLO11l-seg（Large）、YOLO11x-seg（Extra Large）です。これらのモデルはサイズ、処理速度、精度、必要な計算能力が異なります。具体的な要件に合わせて、アプリケーションに最適なモデルを選択できます。

YOLO11のインスタンスセグメンテーションの用途#

YOLO11の高度なインスタンスセグメンテーション機能は、さまざまな業界で幅広い用途を切り開きます。代表的な用途を詳しく見ていきましょう。

石油・ガス業界におけるYOLO11セグメンテーションの活用#

石油・ガスの採掘では、非常に大きな圧力変動への対応が必要です。ガスフレアリングなどの手法では、石油の採掘中に発生する天然ガスを燃焼させます。これは安全上必要な措置です。たとえば、原油の採掘中に圧力が突然または大幅に上昇すると、爆発につながる可能性があります。石油・ガス製造部門での産業事故はまれですが、発生すると、封じ込めや制御が困難な激しい火災を引き起こすことがあります。ガスフレアリングによって余剰ガスを燃焼させることで、運転担当者は設備の圧力を安全に下げ、予測できない大幅な圧力変動に対処できます。

AIシステムはこの監視プロセスを改善でき、インスタンスセグメンテーションに基づくフレア監視システムを利用することで事故のリスクを低減できます。また、過剰なフレアリングは環境に悪影響を及ぼす可能性があるため、ガスフレアリングの監視は環境保護の観点からも重要です。

Ultralytics YOLO11のインスタンスセグメンテーションモデルを使うと、フレアリングによって発生する炎や煙の量を監視できます。検出・セグメンテーションされたフレアと煙のピクセル面積を計算できます。この情報から、運転担当者はフレアリングによる炎や煙の状況をリアルタイムに把握し、事故や環境への悪影響を防ぐことができます。

図3. 石油・ガス製造におけるYOLO11を使ったフレア監視の例。

プラスチック廃棄物管理におけるYOLO11を使ったインスタンスセグメンテーション#

廃棄物管理施設やリサイクル施設の作業員は、YOLO11のインスタンスセグメンテーションに基づくシステムを使ってプラスチック廃棄物を識別できます。YOLO11をロボット選別システムに統合すると、段ボールとプラスチックなど、別々に処理する必要のあるさまざまな廃棄物を正確に識別できます。世界で発生する70億トンのプラスチック廃棄物のうち、リサイクルされるのは約10%にすぎないため、これは特に重要です。

プラスチック廃棄物の識別と選別を自動化することで、作業員が手作業で品目を分別する従来の方法と比べ、所要時間を大幅に短縮できます。コンピュータービジョンモデルは、絡まりやすく特に扱いが難しいラップや袋などの軟質プラスチックもセグメンテーションできます。YOLO11モデルは、さまざまな種類のプラスチックをセグメンテーションするようカスタムトレーニングすることもできます。次のセクションでは、YOLO11モデルをカスタムトレーニングする方法を詳しく説明します。

図4. Ultralytics YOLO11を使ったプラスチック廃棄物の特定。

自動運転車におけるYOLO11セグメンテーション#

インスタンスセグメンテーションのもう一つの興味深い活用例は、自動運転車です。YOLO11はピクセル単位で物体を正確に認識することで、自動運転車に乗る人や道路上のほかの人の安全性向上に役立ちます。車載カメラシステムで周囲の画像を撮影し、YOLO11とインスタンスセグメンテーションを使って分析できます。画像内の各物体（歩行者、信号機、ほかの車両など）がセグメンテーションされ、ラベルが付与されます。このような精度により、自動運転車は周囲のあらゆる物体を識別できます。

図5. YOLO11とインスタンスセグメンテーションを使った道路上の車両と歩行者の特定。

YOLO11モデルでインスタンスセグメンテーションを試す#

インスタンスセグメンテーションについて確認し、その用途をいくつか見てきたところで、Ultralytics YOLO11モデルを使って試す方法を見ていきましょう。

実行方法は2つあります。Ultralytics Pythonパッケージを使う方法と、Ultralytics HUBを使う方法です。まずPythonパッケージから説明します。

YOLO11を使った推論の実行#

推論では、モデルを使って未見の新しいデータを分析します。コードからYOLO11インスタンスセグメンテーションモデルで推論を実行するには、pip、conda、またはDockerを使って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、一般的な問題のガイドでトラブルシューティングの方法を確認できます。パッケージをインストールしたら、以下のコードを実行してYOLO11n-segインスタンスセグメンテーションモデルを読み込み、画像に対して予測を実行できます。

図6. YOLO11n-segを使った画像の推論実行。

YOLO11モデルのカスタム学習#

同じコード設定を使って、カスタムYOLO11モデルをトレーニングすることもできます。YOLO11モデルをファインチューニングすると、プロジェクト固有の要件により適合するカスタムモデルを作成できます。たとえば、小売業者はカスタムモデルを使って顧客の体型的特徴を正確にセグメンテーションし、適切なサイズの服を提案できます。以下のコードスニペットは、インスタンスセグメンテーション用のYOLO11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。YAML設定または事前トレーニング済みモデルを使い、重みを転送して、COCOなどのデータセットでトレーニングすることで、効果的なセグメンテーションを実現できます。

完了後は、特定のアプリケーションに合わせたカスタムモデルで推論を実行できます。また、エクスポートモードを使って、カスタムモデルをほかのデプロイ形式に変換することもできます。

Ultralytics HUBでのYOLO11インスタンスセグメンテーション#

これまで、コードを使ってYOLO11のインスタンスセグメンテーションモデルで推論を実行し、カスタムトレーニングを行う方法を見てきました。次は、ノーコードの代替手段であるUltralytics HUBを見てみましょう。Ultralytics HUBは、YOLO11のインスタンスセグメンテーションモデルを含むYOLOモデルのトレーニングとデプロイを簡素化する、直感的に操作できるビジョンAIプラットフォームです。

画像に対して推論を実行するには、アカウントを作成して「Models」セクションに移動し、希望するYOLO11インスタンスセグメンテーションモデルのバリアントを選択するだけです。プレビューセクションに画像をアップロードすると、以下に示すように予測結果を確認できます。

図7. Ultralytics HUBでの推論の実行。

重要なポイント#

YOLO11は信頼性の高いインスタンスセグメンテーション機能を備え、さまざまな業界で多くの可能性を広げます。自動運転車の安全性向上や石油・ガス部門でのガスフレアリング監視から、リサイクル施設での廃棄物選別の自動化まで、YOLO11のピクセル単位の精度は複雑なセグメンテーションタスクに最適です。

Ultralytics Pythonパッケージを使ったカスタムトレーニングや、Ultralytics HUBによるノーコードのセットアップを通じて、ユーザーはYOLO11をワークフローに統合できます。産業用途、医療、小売業、環境モニタリングなど、幅広いセグメンテーションのニーズに対応できる柔軟性と精度をYOLO11が提供します。

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、自動運転車と農業におけるAIの活用例をご紹介しています。