インスタンスセグメンテーションでUltralytics YOLO11を使用する方法
新しいUltralytics YOLO11モデルをインスタンスセグメンテーションに活用し、廃棄物管理やフレア監視などのアプリケーションで高い精度を実現する方法を解説します。
コンピュータービジョンは、人工知能 (AI)に含まれる分野であり、機械が視覚情報を解釈・理解できるようにすることで、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用すると、画像や動画フレームを分析して、同じ種類の物体が複数存在する場合でも、画像内の個々の物体の正確な境界を示すことができます。高い精度を備えているため、インスタンスセグメンテーションは、自動運転車が道路上の障害物を検出する用途から、医療画像内の腫瘍を特定する用途まで、幅広く活用されています。
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。最近の進展として、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。この新しいモデルは、Ultralytics YOLOv8モデルと同じコンピュータービジョンタスク（インスタンスセグメンテーションを含む）に対応しているため、以前のバージョンに慣れているユーザーは新しいモデルをスムーズに導入できます。
図1. インスタンスセグメンテーションにUltralytics YOLO11モデルを使用する例。
この記事では、インスタンスセグメンテーションについて、そのほかのコンピュータービジョンタスクであるセマンティックセグメンテーションとの違い、およびいくつかの用途について説明します。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利用する方法を順に解説します。早速始めましょう。
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用すると、画像内の物体を特定し、ピクセルレベルで輪郭を描画できます。通常、このプロセスではまず物体を検出し、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、各物体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ー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の両方を付与することで、各カテゴリー内の個々の物体を識別します。
図2. YOLO11を使用して人物と犬を検出・セグメントする例。
インスタンスセグメンテーションの機能は、異なるモデルが必要にな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適している一方、製造現場での品質管理など、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。
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、ニーズに応じた複数のバリエーションがあります。これらには、YOLO11n-seg (Nano)、YOLO11s-seg (Small)、YOLO11m-seg (Medium)、YOLO11l-seg (Large)、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、必要な計算能力が異なります。具体的な要件に基づいて、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により、さまざまな業界で幅広い用途が実現します。ここでは、その用途の一部を詳しく見ていきます。
石油・ガス業界でYOLO11セグメンテーションを使用する#
石油・ガスの採取では、非常に大きな圧力変動の管理が必要です。ガスフレアリングなどの技術は、石油の採取中に発生する天然ガスを燃焼させて処理するために使用されます。これは安全上の理由から必要です。たとえば、原油の採取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。まれではあるものの、石油・ガス製造分野で発生する産業事故は、封じ込めや制御が難しい激しい火災を引き起こす可能性があります。ガスフレアリングによって、オペレーターは余分なガスを燃焼させ、設備を安全に減圧するとともに、予測できない大規模な圧力変動を管理できます。
AIシステムによって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低減できます。過度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、環境保全の観点からもガスフレアリングの監視は重要です。
Ultralytics YOLO11のインスタンスセグメンテーションモデルを使用して、フレアリングによって生じる火炎や煙の量を監視できます。検出・セグメントされたフレアと煙のピクセル面積を計算できます。この情報を使用すると、オペレーターはフレアリングによって生じるフレアと煙をリアルタイムで把握し、事故や環境への悪影響を防止できます。
図3. 石油・ガス製造でYOLO11を使用してフレアを監視する例。
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ベースのシステムを使用してプラスチック廃棄物を特定できます。YOLO11をロボット選別システムと統合すると、段ボールやプラスチックなど、異なる廃棄物（別々に処理するもの）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%にすぎないことを考えると、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と、作業員が手作業で品目を選別する従来の方法と比べて、必要な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、ラップや袋など、絡まりやすいため特に扱いが難しい軟質プラスチックもセグメントできます。YOLO11モデルは、さまざまな種類のプラスチックをセグメントできるようにカスタムトレーニングすることも可能です。以降のセクションでは、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を使用してプラスチック廃棄物を識別する例。
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用途は、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物体を正確に認識し、乗員や道路上のほかの人々の安全性を向上できます。車載の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用して分析できます。画像内の各物体（歩行者、信号機、ほかの車両など）がセグメントされ、ラベルが付与されます。このような精度により、自動運転車は周囲にあるすべての物体を一つひとつ識別できます。
図5. YOLO11とインスタンスセグメンテーションを使用して道路上の車両と歩行者を識別する例。
YOLO11モデルでインスタンスセグメンテーションを試す#
ここまでインスタンスセグメンテーションについて説明し、その用途をいくつか紹介しました。次に、Ultralytics YOLO11モデルを使用して実際に試す方法を見ていきます。
方法は2つあります。Ultralytics PythonパッケージまたはUltralytics HUBを使用できます。まずはPythonパッケージから、両方の方法を説明します。
YOLO11で推論を実行する#
推論の実行では、モデルを使用して、新しく未知のデータを分析します。コードを使用して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ために一般的な問題のガイドを参照してください。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YOLO11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を使用して画像に対する推論を実行する例。
カスタムYOLO11モデルをトレーニングする#
同じコード構成を使用して、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ことで、特定のプロジェクト要件により適したカスタムバージョンを作成できます。たとえば、小売業者は、顧客の身体的特徴を正確にセグメントするカスタムモデルを使用して、適切なサイズの衣服を推奨できます。以下のコードスニペットでは、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から開始し、重みを転移して、COCOのような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、カスタムモデルを使用して特定の用途で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。
Ultralytics HUBでYOLO11インスタンスセグメンテーションを実行する#
ここまで、コードを使用してYOLO11インスタンスセグメンテーションモデルの推論とカスタムトレーニングを実行する方法を説明しました。次に、コード不要の方法であるUltralytics HUBを見ていきます。Ultralytics HUBは、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、直感的に利用できるビジョン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、「Models」セクションに移動して、使用する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。以下に示すように、画像をアップロードすると、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で推論を実行しています。
主なポイント#
YOLO11は、さまざまな業界で幅広い可能性を実現する、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、石油・ガス分野でのガスフレアリングの監視、リサイクル施設での廃棄物選別の自動化など、YOLO11のピクセルレベル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パッケージによるカスタムトレーニングと、Ultralytics HUBによるコード不要の構成に対応しているため、ユーザーはYOLO11をワークフローにスムーズに統合できます。産業用途、ヘルスケア、小売、環境モニタリングなど、YOLO11は多様なセグメンテーションのニーズに対応する柔軟性と精度を提供します。
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、自動運転車や農業におけるAIの活用例をご覧いただけます。🚀
