OBB物体検出に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の最新のブレークスルーについて議論しました。また、このイベントで当時の最新モデルであるUltralytics YOLO11を発表し、その後継モデルとしてUltralytics YOLO26が登場しました。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に対応しているため、ユーザーは容易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、有向バウンディングボックス（OBB）物体検出でYOLOv8を使用していたとします。コードに少し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。YOLO11などのモデルをまだ使ったことがない場合、OBB検出は、実社会に大きな効果をもたらす実用的なソリューションを提供し、YOLO11をさまざまな業界で活用できることを示す好例です。

この記事では、OBB物体検出とは何か、どのような用途があるのか、Ultralytics YOLO11を使ってOBBを検出する方法を説明します。また、YOLO11の新機能がこれらのプロセスをどのように改善できるか、推論の実行方法、そしてOBB検出機能を最大限に活用するためのカスタムモデルのトレーニング方法も紹介します。

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、従来の物体検出をさらに発展させ、さまざまな角度にある物体を検出します。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、物体が常にまっすぐに写るとは限ら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、斜めに写った物体を正確に検出できることが、具体的な効果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となります。

図1. 通常の境界ボックスと回転境界ボックスの比較。

YOLO11はOBB検出に対応しており、DOTA v1.0データセットで学習され、さまざまな視点から飛行機、船舶、貯蔵タンクなどを検出できます。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）など、さまざまなニーズに対応します。各モデルはサイズが異なり、速度、精度、計算能力にもそれぞれ違いがあります。用途に応じて、速度と精度のバランスが適切な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の活用例#

Ultralytics YOLO11の物体検出機能、特に回転境界ボックスへの対応により、さまざまな業界でより高い精度を実現できます。次に、YOLO11とOBB検出を現実の場面で活用し、さまざまな分野のプロセスをより効率的で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#

都市の設計やレイアウトに感心したことがあるなら、それは都市計画やインフラ監視の細やかな取り組みのおかげです。インフラ監視では、貯蔵タンク、パイプライン、産業施設などの重要な構造物の特定と管理も行います。Ultralytics YOLO11を使うと、都市計画担当者は航空画像を分析して、これらの重要な構造物を迅速かつ正確に検出できます。

ここでは、さまざまな角度から撮影された物体（航空画像ではよく見られます）を検出できるため、有向バウンディングボックス物体検出が特に役立ちます。産業地域を追跡し、環境への影響を管理し、インフラを適切に維持するには、精度が不可欠です。OBBによって検出の信頼性が高まり、都市の成長、安全性、持続可能性に関する情報に基づいた意思決定を支援できます。Ultralytics YOLO11を使用すると、都市の円滑な運営を支えるインフラの監視と管理に役立ちます。

図2. 航空映像内の貯蔵タンクを検出するUltralytics YOLO11。

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

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よく稼働しているか確認する必要があります。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。定期点検でこうした問題を早期に発見すれば、適切なメンテナンスを行い、円滑な稼働を維持できます。

たとえば、エッジAIを搭載したドローンとUltralytics YOLO11を使って、ソーラーパネルの損傷を点検できます。エッジ側で画像を分析すると、点検プロセスの精度と効率が向上します。ドローンの動きや視点の影響で、映像にはさまざまな角度から撮影されたソーラーパネルが映ることがよくあります。このような場合、YOLO11のOBB検出を使うと、ドローンがソーラーパネルを正確に特定できます。

Ultralytics YOLO11によるフリート管理の高度化#

港湾では毎週数百隻の船舶が扱われ、大規模な船隊の管理は容易ではありません。航空画像で船舶を分析する際には、船舶がさまざまな角度で写ることが多く、さらに難易度が高まります。このような場面で、Ultralytics YOLO11のOBB検出対応が役立ちます。

OBB検出を使うと、標準的な矩形ボックスよりも高い精度で、さまざまな角度にある船舶をモデルが検出できます。Ultralytics YOLO11とOBBを活用すれば、海運会社は船隊の位置や状態を把握しやすくなり、船隊の移動やサプライチェーンの物流など、重要な情報を追跡できます。このようなビジョンを活用したソリューションは、航路の最適化、遅延の削減、海上輸送ルート全体の船隊管理の改善に役立ちます。

図3. 斜め方向から船舶や港を検出するUltralytics YOLO11。

AI開発者向けUltralytics YOLO11：回転境界ボックスの検出#

OBB検出にYOLO11を使いたいAI開発者には、簡単に始められる方法が2つあります。コードを使った開発に慣れている場合は、Ultralytics Pythonパッケージがおすすめです。クラウド学習機能を備えた、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プラットフォーム、Ultralytics HUB（現在のUltralytics Platform）をご利用ください。詳しくは、Ultralytics HUBを使ったUltralytics YOLO11の学習とデプロイに関するガイドをご覧ください。

YOLO11のOBB対応を活用できる例を確認したところで、Ultralytics Pythonパッケージを使って推論を実行し、カスタムモデルをトレーニングする方法を見ていきましょう。

Ultralytics YOLO11を使った推論の実行#

まず、YOLO11をPythonで使うには、Ultralyticsパッケージをインストールする必要があります。お好みに応じて、pip、conda、Dockerを使ってインストールできます。手順を詳しく確認するには、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役立つトラブルシューティング情報を確認できます。

Ultralyticsパッケージをインストールすれば、YOLO11は簡単に使えます。推論の実行とは、学習済みモデルを使っ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を用いて物体を検出できます。推論は、新しい物体の認識方法をモデルに教えたり、特定のタスクにおける性能を向上させたりするモデル学習とは異なります。未知のデータにモデルを適用するときに推論を使用します。

以下の例では、モデルを読み込み、画像内の有向バウンディングボックスを予測する方法を順を追って説明します。より詳しい例や高度な使い方のヒントについては、ベストプラクティスや追加の手順を掲載したUltralytics公式ドキュメントをご確認ください。

図4。Ultralytics YOLO11で推論を実行するコードスニペットの例。

カスタムUltralytics YOLO11モデルのトレーニング#

Ultralytics YOLO11モデルを学習させると、有向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微調整できます。YOLO11のような事前学習済みモデルは一般的な物体検出に使えますが、独自の物体を検出する必要がある場合や、特定のデータセットで性能を最適化する場合は、カスタムモデルの学習が不可欠です。

以下のコードスニペットでは、OBB検出用にUltralytics YOLO11モデルを学習させる手順を説明します。

まず、事前学習済みのYOLO11 OBB専用重み（yolo11n-obb.pt）を使ってモデルを初期化します。次に、データセット設定ファイル、学習サイクル数、学習画像サイズ、学習を実行するハードウェア（CPUやGPUなど）といったパラメーターを指定し、学習関数でカスタムデータセットを使ってモデルを学習させます。学習後は、モデルの性能を検証し、適合率、再現率、平均適合率（mAP）などのメトリクスを確認します。

学習済みモデルを使って新しい画像の推論を実行し、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って、デプロイ用に学習済みモデルをONNXなどの形式に変換できます。

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

Ultralytics YOLO11によるAIの進歩と今後の展望#

Ultralytics YOLO11は、有向バウンディングボックスに対応することで物体検出を拡張します。さまざまな角度から物体を検出できるYOLO11は、幅広い業界のさまざまな用途に活用できます。たとえば、ソーラーパネルの点検や船隊の監視など、高い精度が重要となる都市計画、エネルギー、海運などの業界に適しています。処理速度と精度が向上したYOLO11は、AI開発者が現実世界の課題を解決するのに役立ちます。

AIの導入が進み、日常生活に深く組み込まれるにつれて、Ultralytics YOLO11のようなモデルがAIソリューションの未来を形づくっていきます。

ビジョンAIの可能性を知るには、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。ビジョンAIが医療から自動運転車まで、さまざまな分野でどのように活用されているかをご確認ください。