Ultralytics YOLO11でインスタンスセグメンテーションを行う方法

Computer vision, a field within artificial intelligence (AI) that helps machines interpret and understand visual information, enables tasks like instance segmentation. Instance segmentation can be used to analyze an image or video frame to mark the exact boundaries of each distinct object in the image, even when multiple objects of the same type are present. With its high level of precision, instance segmentation has a wide range of applications, from helping self-driving cars detect obstacles on the road to identifying tumors in medical scans.

Over the years, instance segmentation has evolved significantly. A recent development was introduced during Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), in the form of the Ultralytics YOLO11 model. The new model supports the same computer vision tasks (including instance segmentation) as the Ultralytics YOLOv8 model, so users familiar with previous versions can adopt the new model seamlessly.

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。

本記事では、インスタンスセグメンテーションについて、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のタスクとの違いや、いくつかの用途について解説します。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を順を追って説明します。それでは始めましょう！

Link to this section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は、画像内の物体を識別し、ピクセル単位で輪郭を描き出すために使用できます。このプロセスは通常、まず物体を検知して周囲にバウンディングボックスを描画することから始まります。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、個々の物体に対して精密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といった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、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。一方で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の両方をラベル付けすることで、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両方を組み合わせ、カテゴリ内の個々の物体を特定します。

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、必要とされるモデルが異なる可能性のある様々なシナリオで活用できます。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すが、製造業における品質管理のような高精度なタスクには、より複雑なモデルが使用されます。

従来のモデルと同様に、YOLO11インスタンスセグメンテーションモデルも、ニーズに応じていくつかのバリエーションが用意されています。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）、YOLO11x-seg（Extra Large）があります。これらのモデルは、サイズ、処理速度、精度、そして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。

Link to this sectionYOLO11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。

Link to this section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・ガスの抽出には、極めて高い圧力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から不可欠です。例えば、原油抽出において、突然または大幅な圧力上昇が発生すると爆発につながる恐れがあります。一般的ではありませんが、石油・ガス製造部門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、オペレーターが装置の圧力を安全に下げ、過剰なガスを燃焼させることで、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発生する火や煙の量を監視できます。検知・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することが可能です。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生じる火や煙の状況をリアルタイムで把握でき、事故や環境への悪影響を防ぐ手助けとなります。

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。

Link to this section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用して、プラスチック廃棄物を識別できます。YOLO11はロボット選別システムと統合し、段ボールやプラスチックなど、それぞれ個別に処理する必要がある異なる廃棄物を正確に識別可能です。世界中で生成される70億トンのプラスチック廃棄物のうち、リサイクルされているのはわずか約10％であることを考えると、これは特に重要です。

プラスチック廃棄物の識別と選別の自動化は、作業員が手作業で選別する従来の方法と比較して、時間を大幅に短縮します。コンピュータビジョンモデルは、ラップやバッグのような軟質プラスチックさえもセグメンテーションできます。これらは絡まりやすいため、識別が特に困難な素材です。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にカスタムトレーニングすることも可能です。YOLO11モデルのカスタムトレーニング方法については、以下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。

Link to this section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は、自動運転車がピクセルレベルでオブジェクトを正確に認識することで、乗客や道路上の人々の安全性を向上させることを可能にします。車載の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、他の車両など）はセグメント化され、ラベルが付与されます。このような高レベルの精度により、自動運転車は周囲にあるすべてのオブジェクトを個別に識別できるようになります。

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様子。

Link to this sectionYOLO11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。

Link to this sectionYOLO11を使用した推論の実行#

推論の実行には、モデルを使用して新しい未知のデータを解析します。YOLO11インスタンスセグメンテーションモデルを使用してコード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、当社の共通問題ガイドでトラブルシューティングに関するサポートをご参照ください。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を使用して画像で推論を実行する様子。

Link to this sectionカスタムYOLO11モデルのトレーニング#

同じコード設定を使用して、カスタムYOLO11モデルをトレーニングすることもできます。ファインチューニングを行うことで、特定のプロジェクトの要件により適したカスタムバージョンのモデルを作成できます。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テーションし、体に合った服を提案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用にYOLO11モデルを読み込み、トレーニングする方法を示しています。YAML設定または事前学習済みモデルから開始し、重みを転移させ、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。

完了したら、特定のアプリケーション向けに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可能です。

Link to this sectionUltralytics 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とカスタムトレーニングを行う方法を解説しましたが、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、直感的に操作できるビジョンAIプラットフォームで、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します。

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。

Link to this section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、当社の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の応用事例をご覧ください。🚀