OBB物体検出でUltralytics YOLO11を使用する方法

Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024（YV24）では、AIとコンピュータービジョンにおける最新のブレークスルーについて議論しました。これは、最新モデルであるUltralytics YOLO11を紹介する絶好の機会となりました。このモデルはUltralytics YOLOv8と同じコンピュータービジョンタスクをサポートしているため、ユーザーは簡単に新しいモデルへ移行できます。

さまざまな角度から物体を検出するために、YOLOv8で回転バウンディングボックス（OBB）物体検出を使用していたとします。現在は、コードにわずかな変更を加えるだけでYOLO11に切り替え、精度や効率の向上から処理速度の改善まで、YOLO11の改良点を活用できます。まだYOLO11のようなモデルを使用したことがない場合、OBB検出は、さまざまな業界でYOLO11を応用できる方法を示す好例です。実際に効果を発揮する実用的なソリューションを提供できます。

この記事では、OBB物体検出とは何か、どこで応用できるか、そしてUltralytics YOLO11を使用してOBBを検出する方法について説明します。また、YOLO11の新機能によってこれらのプロセスをどのように改善できるか、さらにOBB検出機能を最大限に活用するための推論の実行方法とカスタムモデルのトレーニング方法についても解説します。

次世代のUltralytics YOLO11の機能には、OBB物体検出などのタスクが含まれます#

OBB物体検出は、さまざまな角度の物体を検出することで、従来の物体検出をさらに発展させたものです。画像の軸に沿って固定される通常のバウンディングボックスとは異なり、OBBは物体の向きに合わせて回転します。OBB物体検出は、物体が必ずしも正面を向いていない航空画像や衛星画像の分析に利用できます。都市計画、エネルギー、輸送などの業界では、建物、車両、インフラなどの角度の付いた物体を正確に検出する機能が、具体的なメリットをもたらすコンピュータービジョンアプリケーションの基盤になります。

図1. 通常のバウンディングボックスと回転バウンディングボックスの比較

YOLO11はOBB検出をサポートしており、DOTA v1.0データセットでトレーニングされています。さまざまな視点から飛行機、船舶、貯蔵タンクなどの物体を検出できます。YOLO11には複数のモデルバリエーションがあり、YOLO11n-obb（Nano）、YOLO11s-obb（Small）、YOLO11m-obb（Medium）、YOLO11l-obb（Large）、YOLO11x-obb（Extra Large）から用途に応じて選択できます。各モデルはサイズが異なり、速度、精度、計算性能のバランスもそれぞれ異なります。ユーザーは、アプリケーションに適した速度と精度のバランスを備えたモデルを選択できます。

検出に新たな視点をもたらすUltralytics YOLO11のユースケース#

Ultralytics YOLO11の物体検出機能、特に回転バウンディングボックスのサポートは、さまざまな業界により高い精度をもたらします。ここでは、YOLO11とOBB検出を現実のさまざまな場面で活用し、異なる分野のプロセスをより効率的、正確、かつ管理しやすくする方法をいくつか紹介します。

Ultralytics YOLO11による都市計画とインフラ監視#

都市の設計とレイアウトに感心したことがあるなら、それは都市計画とインフラ監視における綿密な取り組みのおかげです。インフラ監視の多くの側面の一つに、貯蔵タンク、パイプライン、工業用地などの重要な構造物の特定と管理があります。Ultralytics YOLO11は、都市計画担当者が航空画像を分析し、これらの重要な構成要素を迅速かつ正確に検出するのに役立ちます。

回転バウンディングボックス物体検出は、さまざまな角度から見た物体（航空画像ではよくあるケース）を検出できるため、ここで特に役立ちます。工業地帯の追跡、環境への影響の管理、インフラの適切な維持には精度が不可欠です。OBBによって検出プロセスの信頼性が高まり、計画担当者は都市の成長、安全性、持続可能性について十分な情報に基づく意思決定を行えます。Ultralytics YOLO11を使用することで、都市を円滑に機能させるインフラの監視と管理に役立ちます。

図2. 航空映像で貯蔵タンクを検出するためのUltralytics YOLO11の使用

ドローン、Ultralytics YOLO11、エッジAIによるソーラーパネルの検査#

再生可能エネルギーやソーラーファームなどのイノベーションが普及するにつれ、定期点検の重要性が高まっています。ソーラーパネルが効率的に稼働していることを確認するには、点検が必要です。時間の経過とともに、ひび割れ、汚れの蓄積、位置ずれなどによって性能が低下することがあります。定期点検により、こうした問題を早期に発見し、ソーラーパネルを円滑に稼働させるためのメンテナンスを実施できます。

たとえば、エッジAIと統合されたドローンとUltralytics YOLO11を使用して、ソーラーパネルの損傷を検査できます。エッジで画像を分析することで、検査プロセスの精度と効率が向上します。ドローンの移動や視点により、監視映像にはさまざまな角度から見たソーラーパネルが映ることがあります。このような場合、YOLO11のOBB検出によって、ドローンはソーラーパネルを正確に識別できます。

Ultralytics YOLO11はフリート管理に関するインサイトを提供できます#

港湾では毎週数百隻の船舶を扱うため、このように大規模なフリートを管理するのは容易ではありません。航空画像内の船舶を分析する場合は、船舶がさまざまな角度で写ることが多く、さらに難しくなります。ここで役立つのが、Ultralytics YOLO11によるOBB検出のサポートです。

OBB検出を使用すると、モデルは標準的な矩形ボックスよりも正確に、さまざまな角度の船舶を検出できます。Ultralytics YOLO11とOBBを使用すれば、海運会社はフリートの位置と状態を簡単に特定し、フリートの移動やサプライチェーンロジスティクスなどの重要な詳細を追跡できます。このようなビジョン対応ソリューションは、航路全体でルートの最適化、遅延の削減、フリート管理全体の改善に役立ちます。

図3. 船舶と港を斜めの角度から検出するためのUltralytics YOLO11の使用

AI開発者向けUltralytics YOLO11：回転バウンディングボックスの検出#

YOLO11をOBB検出に使用したいAI開発者には、簡単に始められる2つの方法があります。コードの扱いに慣れている場合は、Ultralytics Pythonパッケージがおすすめです。クラウドトレーニング機能を備えた使いやすいノーコードソリューションを希望する場合は、そのために設計された社内プラットフォームであるUltralytics HUBを利用できます。詳しくは、Ultralytics HUBを使用したUltralytics YOLO11のトレーニングとデプロイに関するガイドをご覧ください。

YOLO11のOBBサポートを適用できる例を確認したところで、Ultralytics Pythonパッケージについて詳しく見ていき、これを使用して推論を実行し、カスタムモデルをトレーニングする方法を確認しましょう。

Ultralytics YOLO11を使用した推論の実行#

まず、YOLO11をPythonで使用するには、Ultralyticsパッケージをインストールする必要があります。好みに応じて、pip、conda、またはDockerを使用してインストールできます。手順については、Ultralyticsインストールガイドをご覧ください。インストール中に問題が発生した場合は、よくある問題のガイドでトラブルシューティングのヒントを確認できます。

Ultralyticsパッケージをインストールすると、YOLO11は非常に簡単に使用できます。推論の実行とは、トレーニング済みモデルを使用して新しい画像に対する予測を行うプロセスを指します。たとえば、リアルタイムでOBBを使用して物体を検出できます。これは、モデルに新しい物体を認識させたり、特定のタスクにおける性能を向上させたりするモデルのトレーニングとは異なります。推論は、未知のデータにモデルを適用する場合に使用します。

以下の例では、モデルを読み込み、画像上の回転バウンディングボックスを予測する方法を説明します。より詳細な例と高度な使用方法のヒントについては、ベストプラクティスや詳しい手順を掲載した公式のUltralyticsドキュメントをご確認ください。

図4. Ultralytics YOLO11を使用した推論の実行例を示すコードスニペット

カスタムUltralytics YOLO11モデルのトレーニング#

Ultralytics YOLO11モデルをトレーニングすると、回転バウンディングボックス物体検出など、特定のデータセットやタスクに合わせて性能をファインチューニングできます。YOLO11のような事前トレーニング済みモデルは一般的な物体検出に使用できますが、固有の物体を検出したり、特定のデータセットで性能を最適化したりする必要がある場合は、カスタムモデルのトレーニングが不可欠です。

以下のコードスニペットでは、OBB検出用にUltralytics YOLO11モデルをトレーニングする手順を説明します。

まず、事前トレーニング済みのYOLO11 OBB専用ウェイト（yolo11n-obb.pt）を使用してモデルを初期化します。次に、トレーニング関数を使用してカスタムデータセットでモデルをトレーニングします。データセット設定ファイル、トレーニングサイクル数、トレーニング画像サイズ、トレーニングを実行するハードウェア（CPUやGPUなど）のパラメーターを指定します。トレーニング後は、モデルの性能を検証し、精度や損失などの指標を確認します。

トレーニング済みモデルを使用すると、新しい画像に対して推論を実行し、OBBで物体を検出して可視化できます。また、エクスポート機能を使用して、デプロイ用にモデルをONNXなどの形式へ変換できます。

図5. Ultralytics YOLO11をOBB物体検出用にトレーニングする例

Ultralytics YOLO11によるAIの進歩に向けた道筋#

Ultralytics YOLO11は、回転バウンディングボックスをサポートすることで、物体検出を次のレベルへ引き上げます。さまざまな角度の物体を検出できるため、YOLO11は多様な業界のさまざまなアプリケーションに利用できます。たとえば、ソーラーパネルの検査やフリート監視など、精度が重要なタスクを扱う都市計画、エネルギー、海運などの業界に最適です。より高速な性能と向上した精度により、YOLO11はAI開発者が現実の課題を解決するのに役立ちます。

AIがより広く導入され、私たちの日常生活に統合されるにつれて、Ultralytics YOLO11のようなモデルがAIソリューションの未来を形作っていきます。

ビジョンAIの可能性について学ぶには、成長を続けるコミュニティに参加し、GitHubリポジトリをご覧ください。私たちは、ヘルスケアから自動運転車まで、さまざまな分野を再構想することでイノベーションを推進しています。