新しいUltralytics YOLO11 モデルが、廃棄物管理やフレアモニタリングのようなアプリケーションで、より高い精度を達成するためのインスタンスセグメンテーションにどのように使用できるかを理解する。
人工知能（AI）の一分野であるコンピュータビジョンは、機械が視覚情報を解釈し理解するのを助けるもので、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する。インスタンス・セグメンテーションは 、画像やビデオ・フレームを解析して、同じ種類のオブジェクトが複数存在する場合でも、画像内の各個別のオブジェクトの正確な境界をマークするために使用できる。インスタンス・セグメンテーションは精度が高いため、自動運転車が 道路上の障害物をdetect のに役立ったり、医療用スキャンで 腫瘍を特定したりと、幅広い用途がある。
ここ数年、インスタンス・セグメンテーションは大きく進化している。最近の進展は、Ultralytics 年次ハイブリッド・イベントであるYOLO Vision 2024（YV24）で紹介されました。 Ultralytics YOLO11モデルである。この新しいモデルは、YOLO11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）をサポートしています。 Ultralytics YOLOv8モデルをサポートしているため、以前のバージョンに慣れ親しんだユーザーは、新しいモデルをシームレスに採用することができます。
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のような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、その応用例についても説明します。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使用する方法についても説明します。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を使用して、画像内のオブジェクトを識別し、ピクセルレベルでそれらの輪郭を描くことができます。このプロセスでは通常、最初にオブジェクトを検出し、それらの周り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て、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せずに、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、クラスとインスタンスIDの両方で各ピクセルにラベルを付けることにより、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、各カテゴリ内の個々のオブジェクトを識別します。
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可能性のあるさまざまなシナリオに適用できます。たとえば、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理想的かもしれませんが、より複雑なモデルは、製造業における品質管理のような高精度タスクに使用できます。
以前のモデル同様 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る。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）、YOLO11x-seg（Extra Large）があります。これらのモデルは、そのサイズ、処理速度、精度、必要な計算能力などの点で異なります。お客様の具体的な要件に基づいて、用途に最も適したモデルをお選びいただけます。
YOLO11 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、様々なアプリケーションを切り開く。これらのアプリケーションのいくつかを詳しく見てみよう。
石油およびガスの抽出には、圧力の極端な変動の管理が伴います。ガスフレアリングなどの技術は、石油抽出中に生成され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で必要です。たとえば、原油抽出では、突然または大幅な圧力スパイクが爆発につながる可能性があります。まれですが、石油およびガス製造部門での産業事故は、封じ込めと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、オペレーターが機器を安全に減圧し、過剰なガスを燃焼させることによって、予測不可能で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、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、環境上の理由からも重要です。フレアリングが多すぎると、環境に悪影響を与える可能性があるためです。
Ultralytics YOLO11 インスタンスセグメンテーションモデルは、フレアリングによる火災や煙の量を監視するために使用できます。検出されセグメント化されたフレアと煙のピクセル面積を計算することができます。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発生したフレアや煙をリアルタイムで把握することができ、事故や環境への悪影響を防ぐことができます。
廃棄物処理施設や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って、プラスチック廃棄物を識別することができる。YOLO11 、ロボット選別システムと統合することで、段ボールとプラスチック（別々に処理される）のような異なる廃棄物を正確に識別することができる。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わずか10％程度であることを考えると、これは特に重要なことだ。
プラスチック廃棄物の識別と選別を自動化することで、作業員が手作業で選別していた従来の方法に比べ、所要時間が大幅に短縮される。コンピュータ・ビジョンのモデルは、ラップや袋のような柔らかいプラスチックもsegment することができます。YOLO11 モデルは、さまざまな種類のプラスチックをsegment 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。
インスタンスセグメンテーションのもう1つの興味深い使用例は、自律走行車である。YOLO11 、ピクセルレベルで正確に物体を認識することで、自動運転車の乗客の安全性と道路上の他人の安全性を向上させることができる。車に搭載されたカメラシステムは、周囲の画像をキャプチャし、YOLO11 インスタンス・セグメンテーションを使って解析することができる。画像内の各オブジェクト（歩行者、信号機、他の車両など）がセグメント化され、ラベルが付与される。このような精度の高さにより、自律走行車は周囲のあらゆる物体を識別できるようになる。
さて、インスタンス・セグメンテーションについて説明し、その応用例をいくつか取り上げたところで、Ultralytics YOLO11 モデルを使ってどのように試すことができるか見てみよう。
これには2つの方法があります：Ultralytics Python パッケージを使うか、Ultralytics HUBを使うかです。まずはPython パッケージから。
推論を実行するには、モデルを使用して、以前に見たことのない新しいデータを分析する必要がある。YOLO11 インスタンス・セグメンテーション・モデルをコードで使って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する必要がある。インストール中に何らかの問題に直面した場合は、トラブルシューティングを支援するための「よくある問題ガイド」を参照できる。パッケージがインストールされたら、以下に示すコードを実行して、YOLO11 インスタンス・セグメンテーション・モデルをロードし、イメージ上で予測を実行することができます。
同じコード・セットアップで、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 モデルを微調整することで、特定のプロジェクト要件をよりよく満たすモデルのカスタムバージョンを作成することができます。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segment し、適切にフィットする服を勧めることができます。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学習させる方法を示しています。効果的なセグメンテーションを実現するために、YAML 設定や事前に訓練されたモデルから始めて、重みを転送し、 COCOようなデータセットで訓練することができます。
完了すると、特定のアプリケーションに合わせ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すると、カスタムモデルを別の形式にエクスポートすることもできます。
YOLO11 インスタンス・セグメンテーション・モデルのコードによる推論とカスタム・トレーニングの実行について見てきたが、コードなしの代替案を見てみよう：Ultralytics HUBだ。Ultralytics HUBは、YOLO YOLO11 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のプロセスを簡素化する、直感的なVision AIプラットフォームである。
画像の推論を実行するには、アカウントを作成し、「モデル」セクションに移動し、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。以下のように、画像をアップロードし、プレビューセクションで予測結果を見ることができます。
YOLO11 、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、様々な産業における可能性を広げます。自律走行車の安全性向上や、石油・ガスセクターにおけるガスフレアの監視から、リサイクル施設における廃棄物分別の自動化まで、YOLO1111はピクセルレベルの精度を備えているため、複雑なセグメンテーション作業に最適です。
Ultralytics Python パッケージによるカスタムトレーニングのオプションや、Ultralytics HUBによるコード不要のセットアップにより、ユーザーはYOLO11 ワークフローにシームレスに統合することができます。産業用アプリケーション、ヘルスケア、小売、環境モニタリングのいずれにおいても、YOLO11 11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、コミュニティにご参加ください。当社のソリューションページで、自動運転車や農業におけるAIアプリケーションをご覧ください。🚀
