Ultralytics YOLO11を使用してOBB物体検出を行う方法

Ultralyticsの年間ハイブリッドイベントであるYOLO Vision 2024 (YV24)は、AIとコンピュータビジョンにおける最新のブレイクスルーについてのディスカッションに焦点を当てました。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ビジョンタスクをサポートしており、ユーザーは新しいモデルへの移行をスムーズに行うことができます。

さまざまな角度からオブジェクトを検出するために、向きを持った境界ボックス（OBB）によるオブジェクト検出にYOLOv8を使用していたと仮定します。コードを少し変更するだけで、今すぐYOLO11に切り替えることができ、精度や効率の向上から処理速度に至るまで、YOLO11の改善点の恩恵を受けることができます。YOLO11のようなモデルをまだ使用していない場合、OBB検出は、YOLO11がどのように適用できるかを示す素晴らしい例であり、実際のインパクトをもたらす実用的なソリューションを提供します。

この記事では、OBBオブジェクト検出とは何か、それがどこに応用できるか、そしてUltralytics YOLO11を使用してOBBを検出する方法について見ていきます。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、そしてそのOBB検出機能を最大限に活用するために推論を実行し、カスタムモデルをトレーニングする方法についても順を追って説明します。

次世代の Ultralytics YOLO11 には、OBDオブジェクト検出などのタスクが含まれています#

OBBオブジェクト検出は、さまざまな角度でオブジェクトを検出することにより、従来のオブジェクト検出をさらに一歩進めたものです。画像の軸に沿ったままになる通常の境界ボックスとは異なり、OBBはオブジェクトの向きに合わせて回転します。OBBオブジェクト検出は、オブジェクトが常にまっすぐとは限らない空中写真や衛星画像を分析するために使用できます。都市計画、エネルギー、交通などの業界では、建物、車両、インフラストラクチャなどの傾いたオブジェクトを正確に検出する機能が、目に見えるメリットをもたらすコンピュータビジョンアプリケーションの基礎となります。

図1. 通常の境界ボックスと向きを持った境界ボックスの比較。

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、さまざまな視点から飛行機、船舶、貯蔵タンクなどのオブジェクトを検出します。YOLO11には、さまざまなニーズに合わせていくつかのモデルバリエーションがあります。YOLO11n-obb（Nano）、YOLO11s-obb（Small）、YOLO11m-obb（Medium）、YOLO11l-obb（Large）、YOLO11x-obb（Extra Large）などがあります。各モデルは異なるサイズを提供し、速度、精度、計算能力のレベルが異なります。ユーザーは、アプリケーションの速度と精度の適切なバランスを提供するモデルを選択できます。

検出に新しい角度をもたらす Ultralytics YOLO11 のユースケース#

Ultralytics YOLO11のオブジェクト検出機能、特に指向性バウンディングボックス（OBB）のサポートは、さまざまな業界に高い精度をもたらします。次に、YOLO11とOBB検出が現実世界の状況でどのように使用され、さまざまな分野でのプロセスをより効率的、正確、かつ管理しやすくできるかについてのいくつかの例を見ていきます。

Ultralytics YOLO11 を使用した都市計画とインフラストラクチャの監視#

都市のデザインとレイアウトに魅力を感じたことがあるなら、それは都市計画とインフラストラクチャ監視の詳細な作業のおかげです。インフラストラクチャ監視の多くの側面の1つは、貯蔵タンク、パイプライン、産業施設などの重要な構造物を特定して管理することです。Ultralytics YOLO11 は、都市計画者が航空画像を分析してこれらの重要なコンポーネントを迅速かつ正確に検出するのに役立ちます。

傾きバウンディングボックス（OBB）オブジェクト検出は、さまざまな角度から表示されるオブジェクトの検出を可能にするため、ここで特に役立ちます（航空画像ではよくあることです）。産業ゾーンの追跡、環境影響の管理、インフラストラクチャの適切な保守を確保するには、精度が不可欠です。OBBにより検出プロセスがより信頼性の高いものになり、計画者が都市の成長、安全性、持続可能性について情報に基づいた意思決定を行えるようになります。Ultralytics YOLO11 を使用すると、計画者は都市をスムーズに運営し続けるインフラストラクチャを監視および管理できます。

図 2: 航空映像で貯蔵タンクを検出するために Ultralytics YOLO11 を使用している様子。

ドローン、Ultralytics YOLO11、エッジAIを使用した太陽光パネルの検査#

再生可能エネルギーやソーラーファームなどの革新がより一般的になるにつれて、定期的な検査がますます重要になっています。ソーラーパネルは、効率的に機能していることを確認するためにチェックする必要があります。時間の経過とともに、亀裂、汚れの蓄積、または位置のずれなどの要因がパフォーマンスを低下させる可能性があります。定期的な検査はこれらの問題を早期に発見するのに役立つため、スムーズに稼働し続けるためのメンテナンスを行うことができます。

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、太陽光パネルの損傷を検査できます。エッジ上で画像を分析することで、検査プロセスにさらなる精度と効率性をもたらします。ドローンの動きや視点により、監視映像はさまざまな角度から太陽光パネルをとらえることがよくあります。このような場合、YOLO11のOBB検出により、ドローンは太陽光パネルを正確に識別できるようになります。

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が扱われており、このような大規模なフリートの管理は困難な場合があります。航空画像内の船舶を分析する際には、さらに難易度が上がります。船舶は多くの場合、さまざまな角度で映っているためです。ここで、OBB検出に対する Ultralytics YOLO11 のサポートが役立ちます。

OBB検出により、モデルは標準的な長方形の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るようになります。OBB付きの Ultralytics YOLO11 を使用することで、海運会社はフリートの位置と状態をより簡単に特定し、フリートの動きやサプライチェーンの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のソリューションは、ルートの最適化、遅延の削減、出荷ルート全体の総合的なフリート管理の改善に役立ちます。

図 3: 角度がついた状態で船舶や港湾を検出するために Ultralytics YOLO11 を使用している様子。

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

OBB検出にYOLO11を使用したいと考えているAI開発者であれば、開始するための2つの簡単なオプションがあります。コードでの作業に慣れている場合は、Ultralytics Pythonパッケージが最適です。クラウドトレーニング機能を備えたユーザーフレンドリーなノーコードソリューションを好む場合は、Ultralytics HUBがそのために設計された社内プラットフォームです。詳細については、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サポートが適用できる例を確認したので、Ultralytics Pythonパッケージを探索し、それを使用して推論の実行とカスタムモデルのトレーニングを行う方法を見てみましょう。

Ultralytics YOLO11を使用した推論の実行#

まず、PythonでYOLO11を使用するには、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することを選択できます。ステップバイステップの手順については、Ultralyticsインストールガイドを参照してください。インストール中に問題が発生した場合は、一般的な問題ガイドに役立つトラブルシューティングのヒントが記載されています。

Ultralyticsパッケージをインストールしたら、YOLO11での作業は非常に簡単です。推論の実行とは、トレーニング済みモデルを使用して、リアルタイムでOBBを使用してオブジェクトを検出するなど、新しい画像に対して予測を行うプロセスのことです。これは、新しいオブジェクトを認識するようにモデルを教えたり、特定のタスクでのパフォーマンス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、モデルを未知のデータに適用したい場合に使用されます。

以下の例では、モデルをロードし、それを使用して画像上で向きを持った境界ボックスを予測する方法について説明します。より詳細な例と高度な使用法のヒントについては、ベストプラクティスと詳細な手順に関する公式のUltralyticsドキュメントを必ず確認してください。

図 4: Ultralytics YOLO11 を使用した推論の実行を示すコードスニペット。

カスタムのUltralytics YOLO11モデルのトレーニング#

Ultralytics YOLO11モデルのトレーニングとは、指向性バウンディングボックスオブジェクト検出などの特定のデータセットやタスクにおいてそのパフォーマンスを微調整できることを意味します。YOLO11のような事前トレーニング済みモデルは一般的なオブジェクト検出に使用できますが、モデルに固有のオブジェクトを検出させたり、特定のデータセットでのパフォーマンスを最適化させたりする必要がある場合には、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、OBD検出用の Ultralytics YOLO11 モデルをトレーニングする手順について説明します。

まず、事前トレーニング済みのYOLO11 OBB固有の重み（yolo11n-obb.pt）を使用してモデルが初期化されます。次に、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、およびトレーニングを実行するハードウェア（CPUやGPUなど）などのパラメータを指定して、カスタムデータセットでモデルをトレーニングするためにトレーニング関数が使用されます。トレーニング後、精度や損失などの指標を確認するためにモデルのパフォーマンスが検証されます。

トレーニング済みモデルを使用して、新しい画像で推論を実行し、OBBでオブジェクトを検出して視覚化することができます。また、トレーニング済みモデルは、エクスポート機能を使用して、デプロイ用にONNXなどの形式に変換できます。

図 5: OBDオブジェクト検出のために Ultralytics YOLO11 をトレーニングする例。

Ultralytics YOLO11 のAIの進歩に向けた今後の道筋#

Ultralytics YOLO11は、指向性バウンディングボックスのサポートにより、物体検出を次のレベルに引き上げます。様々な角度の物体を検出できることで、YOLO11は異なる業界の様々なアプリケーションで使用できます。例えば、都市計画、エネルギー、海運といった、ソーラーパネル検査やフリート監視などのタスクにおいて精度が不可欠な業界には最適です。より高速なパフォーマンスと向上した精度により、YOLO11はAI開発者が実世界の課題を解決する一助となります。

AIがより広く採用され、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ることになります。

ビジョンAIの可能性について学ぶために、成長を続けるコミュニティに参加し、GitHubリポジトリを探索してください。私たちは、ヘルスケアから自動運転車に至るまでの分野を再考することにより、イノベーションを推進しています。