Ultralytics YOLO11でインスタンスセグメンテーションを行う方法
新しいUltralytics YOLO11モデルが、廃棄物管理やフレア監視などのアプリケーションで高精度を達成するために、どのようにインスタンスセグメンテーションに使用できるかを理解します。
コンピュータビジョンは、機械が視覚情報を解釈して理解するのを助ける人工知能 (AI)の分野であり、インスタンスセグメンテーションのような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用すると、画像やビデオフレームを分析して、画像内の個々のオブジェクトの正確な境界線を示すことができ、同じタイプの複数のオブジェクトが存在する場合でも識別が可能です。高い精度を持つインスタンスセグメンテーションには、自動運転車が道路上で障害物を検知するのを助けることから、医療スキャンで腫瘍を特定することまで、幅広い用途があります。
長年にわたり、インスタンスセグメンテーションは大きく進化してきました。最近の展開として、Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)において、Ultralytics YOLO11モデルが発表されました。新しいモデルは、Ultralytics YOLOv8モデルと同じコンピュータビジョンタスク（インスタンスセグメンテーションを含む）をサポートしているため、以前のバージョンに慣れているユーザーはシームレスに新しいモデルを採用できます。
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他のコンピュータビジョンタスクとの違いについて説明し、そのいくつかの用途についても解説します。また、Ultralytics PythonパッケージとUltralytics HUBプラットフォームを使用して、YOLO11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についても順を追って説明します。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何か？#
インスタンスセグメンテーションを使用すると、画像内のオブジェクトを特定し、ピクセルレベルで輪郭を描くことができます。このプロセスでは通常、まずオブジェクトを検知し、そ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、各オブジェクト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は、個々のインスタンスを区別することなく、オブジェクト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、各ピクセルにクラスとインスタンスIDの両方のラベルを付けることで、インスタンスとセマンティックの両方のセグメンテーションを組み合わせ、各カテゴリ内の個々のオブジェクトを特定します。
図2. YOLO11を使用して人物と犬を検知しセグメンテーションする様子。
インスタンスセグメンテーションの機能は、異なるモデルを必要とする様々なシナリオに適用できます。例えば、モバイルアプリケーションでのリアルタイム処理には軽量モデルが最適である一方、製造業における品質管理などの高精度なタスクには、より複雑なモデルを使用できます。
以前のモデルと同様に、YOLO11インスタンスセグメンテーションモデルにも、ニーズに応じていくつかのバリエーションがあります。これらのバリエーションには、YOLO11n-seg (Nano)、YOLO11s-seg (Small)、YOLO11m-seg (Medium)、YOLO11l-seg (Large)、およびYOLO11x-seg (Extra Large)が含まれます。これらのモデルは、サイズ、処理速度、精度、および必要な計算能力の量において異なります。特定の要件に基づいて、アプリケーションに最も適した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応用#
YOLO11の高度なインスタンスセグメンテーション機能は、様々な業界において幅広い用途を切り拓きます。これらの用途のいくつか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#
石油およびガスの採掘には、極めて高い圧力の変動を管理することが含まれます。ガスフレアリングなどの技術は、石油採掘中に発生する天然ガスを燃焼させるのに役立ちます。これは安全上の理由から必要です。例えば、原油採掘においては、突然の、または大幅な圧力の急上昇が爆発につながる可能性があります。まれではありますが、石油およびガス製造セクターにおける産業事故は、封じ込めや制御が困難な激しい火災を引き起こす可能性があります。ガスフレアリングは、余分なガスを燃やすことで、オペレーターが装置の圧力を安全に下げ、予測不可能な大きな圧力変動を管理するのに役立ちます。
AIシステムは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ベースのフレア監視システムを使用することで事故のリスクを軽減できます。ガスフレアリングの監視は環境面でも重要であり、フレアリングが多すぎると環境に悪影響を及ぼす可能性があります。
Ultralytics YOLO11のインスタンスセグメンテーションモデルを使用して、フレアリングによって引き起こされる火災と煙の量を監視できます。検出およびセグメント化されたフレアと煙のピクセル領域を計算できます。この情報を使用することで、オペレーターはフレアリングによって引き起こされるフレアと煙に関するリアルタイムの洞察を得ることができ、事故や環境への悪影響を防止するのに役立ちます。
図3. 石油・ガス製造におけるYOLO11を使用したフレア監視の例。
プラスチック廃棄物管理のためのYOLO11によるインスタンスセグメンテーション#
廃棄物管理およびリサイクル施設の作業員は、YOLO11インスタンスセグメンテーションベースのシステムを使用してプラスチック廃棄物材料を特定できます。YOLO11をロボット選別システムと統合して、段ボールやプラスチックなどのさまざまな廃棄物材料を正確に特定し（個別に処理するため）、分別することができます。世界中で発生する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わずか約10%であることを考えると、これは特に重要です。
作業員が手作業でアイテムを選別する従来の方法と比較して、プラスチック廃棄物の識別と選別を自動化することで、必要な時間を大幅に短縮できます。コンピュータビジョンモデルは、絡まりやすいため特に困難なラップやバッグなどの軟質プラスチックさえもセグメント化できます。YOLO11モデルは、さまざまなタイプのプラスチックをセグメント化するようにカスタムトレーニングすることもできます。YOLO11モデルをカスタムトレーニングする方法については、次のセクションで詳しく説明します。
図4. Ultralytics YOLO11を使用したプラスチック廃棄物の識別。
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ユースケースは、自動運転車です。YOLO11により、自動運転車はピクセルレベルでオブジェクトを正確に認識し、乗客の安全性および道路上の他の人々の安全性を向上させることができます。車の車載カメラシステムは周囲の画像をキャプチャし、YOLO11とインスタンスセグメンテーションを使用してそれらを分析できます。画像内の各オブジェクト（歩行者、信号機、その他の車両など）がセグメント化され、ラベルが付けられます。このような精度の高さにより、自動運転車は周囲のあらゆるオブジェクトを識別する能力を得ることができます。
図 5. YOLO11とインスタンスセグメンテーションを使用して道路上の車両と歩行者を識別する。
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理解し、いくつかの応用例を確認したところで、Ultralytics YOLO11モデルを使用して実際に試す方法を見ていきましょう。
これを実行する方法には、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通りがあります。ここではまずPythonパッケージを使用した方法から説明します。
YOLO11を使用した推論の実行#
推論を実行するには、モデルを使用して新しく未見のデータを分析します。コードを通じてYOLO11インスタンスセグメンテーションモデルを使用して推論を実行するには、pip、conda、またはdockerを使用してUltralytics Pythonパッケージをインストールする必要があります。インストール中に問題が発生した場合は、トラブルシューティングの支援のために一般的な問題ガイドを参照してください。パッケージがインストールされたら、以下のコードを実行してYOLO11インスタンスセグメンテーションモデルをロードし、画像に対して予測を実行できます。
図6. YOLO11n-segを使用して画像で推論を実行する様子。
カスタムYOLO11モデルのトレーニング#
同じコード設定で、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ことで、特定のプロジェクトの要件により適したモデルのカスタムバージョンを作成できます。例えば、小売業者はカスタムモデルを使用して顧客の身体的特徴を正確にセグメント化し、適切にフィットする服を推薦することができます。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のためにYOLO11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。YAML設定または事前トレーニング済みモデルから開始し、重みを転移し、COCOのようなデータセットでトレーニングして効果的なセグメンテーションを実現できます。
完了したら、特定のアプリケーションに向けてカスタムモデルを使用して推論を実行できます。エクスポートオプションを使用して、カスタムモデルを別のフォーマットにエクスポート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#
コードを通じてYOLO11インスタンスセグメンテーションモデルの推論実行とカスタムトレーニングについて探求したので、コード不要の代替手段であるUltralytics HUBを見てみましょう。Ultralytics HUBは、YOLO11インスタンスセグメンテーションモデルを含め、YOLOモデルのトレーニングとデプロイのプロセスを簡素化する直感的なビジョンAIプラットフォームです。
画像で推論を実行するには、アカウントを作成し、「モデル（Models）」セクションに移動して、選択したYOLO11インスタンスセグメンテーションモデルのバリエーションを選択するだけです。画像をアップロードして、以下のようにプレビューセクションで予測結果を確認できます。
図7：Ultralytics HUBで推論を実行する様子。
重要なポイント#
YOLO11は、様々な業界において可能性を広げる信頼性の高いインスタンスセグメンテーション機能を提供します。自動運転車の安全性向上や石油・ガスセクターにおけるガスフレアリングの監視から、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パッケージを通じたカスタムトレーニングや、Ultralytics HUBによるノーコード設定などのオプションにより、ユーザーはYOLO11をワークフローにシームレスに統合できます。産業用途、ヘルスケア、小売、環境監視のいずれであっても、YOLO11は多様なセグメンテーションのニーズを満たす柔軟性と精度をもたらします。
詳細については、GitHubリポジトリにアクセスし、コミュニティに参加してください。ソリューションページで、自動運転車および農業におけるAIの応用を探求してください。🚀
