Ultralytics YOLO11をOBB（Oriented Bounding Box）オブジェクト検出に使用する方法

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を発表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に簡単に移行できます。

たとえば、さまざまな角度から物体を検出するために、傾斜バウンディングボックス（OBB）物体検出にYOLOv8を使用していたとします。コードにわずかな変更を加えるだけでYOLO11に切り替え、精度と効率の向上から処理速度まで、YOLO11の改善点を活用できます。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がさまざまな業界でどのように応用できるかを示す優れた例であり、実際的なソリューションを提供して真の影響を与えます。

この記事では、OBB物体検出とは何か、どこに適用できるか、そしてYOLO11を使用してOBBを検出する方法について解説します。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、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説明します。

次世代YOLO11の機能には、OBBオブジェクト検出などのタスクが含まれています。

OBB物体検出は、従来の物体検出をさらに一歩進め、さまざまな角度で物体を検出します。画像軸に沿った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、物体が常に真っ直ぐとは限らない航空写真や衛星画像の分析に使用できます。都市計画、エネルギー、輸送などの業界では、建物、車両、インフラストラクチャ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ビジョンアプリケーションの基盤となります。 

‍

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、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、アプリケーションに最適な速度と精度のバランスを提供するモデルを選択できます。 

検出に新しい視点をもたらすYOLO11のユースケース

YOLO11の物体検出機能、特にOriented Bounding Box（OBB）のサポートは、さまざまな産業に高い精度をもたらします。次に、YOLO11とOBB検出が、さまざまな分野でプロセスをより効率的、正確、かつ管理しやすくするために、実際の状況でどのように使用できるかの例をいくつか見ていきます。

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銘を受けたことがあるなら、それは都市計画とインフラ監視の詳細な作業のおかげです。インフラ監視の多くの側面の一つは、貯蔵タンク、パイプライン、工業用地などの重要な構造物を特定し、管理することです。YOLO11は、都市計画家が航空写真を分析して、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。 

傾斜バウンディングボックスオブジェクト検出は、さまざまな角度から見たオブジェクトの検出を可能にするため（航空写真の場合によくあります）、特に役立ちます。産業ゾーンを追跡し、環境への影響を管理し、インフラストラクチャが適切に維持されていることを確認するには、精度が不可欠です。OBBは検出プロセスをより信頼性の高いものにし、計画担当者が都市の成長、安全性、および持続可能性について情報に基づいた意思決定を行うのに役立ちます。YOLO11を使用すると、計画担当者は都市のスムーズな運営を維持するインフラストラクチャを監視および管理できます。

‍

ドローン、YOLO11、およびエッジ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のようなイノベーションが普及するにつれて、定期的な検査がより重要になっています。ソーラーパネルが効率的に動作していることを確認するために、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、またはずれなどの問題により、性能が低下す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し、スムーズな稼働を維持するためのメンテナンスを行うのに役立ちます。

例えば、ソーラーパネルの損傷検査には、エッジAIと統合されたドローンとYOLO11を使用できます。エッジでの画像分析は、検査プロセスにさらなる精度と効率をもたらします。ドローンの動きと視点により、監視映像はさまざまな角度からソーラーパネルを捉えることがよくあります。このような場合、YOLO11のOBB（Oriented Bounding Box）検出は、ドローンがソーラーパネルを正確に識別するのに役立ちます。 

YOLO11は、フリート管理のための洞察を提供できます。

港湾は毎週何百隻もの船舶を処理しており、これほど大規模な船団の管理は困難を伴います。さらに、航空写真に写る船舶を分析する場合、船舶がさまざまな角度で写ることが難易度を高めます。ここで、YOLOv8のOBB検出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さまざまな角度で船をより正確に検出できます。OBBを備えたYOLO11を使用することで、海運会社は自社の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ロジスティクスのような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、ルートを最適化し、遅延を削減し、海運ルート全体のフリート管理を改善するのに役立ちます。

‍

AI開発者向けYOLO11：向きのある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AI開発者にとって、始めるための簡単なオプションが2つあります。コード操作に慣れている場合は、Ultralytics Pythonパッケージが最適です。ユーザーフレンドリーなノーコードソリューションとクラウドトレーニング機能が必要な場合は、まさに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が適しています。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場所の例を見てきたので、Ultralytics Pythonパッケージを調べて、それを使用してどのように推論を実行し、カスタムモデルをトレーニングできるかを見てみましょう。 

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できます。ステップごとの手順については、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すると、YOLO11の操作は非常に簡単になります。推論の実行とは、トレーニング済みのモデルを使用して新しい画像で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を使用してオブジェクトを検出するなどです。これは、モデルに新しいオブジェクトを認識させたり、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する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の向き付き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と詳細な手順について、公式のUltralyticsドキュメントを確認してください。

‍

カスタムYOLO11モデルのトレーニング

YOLO11モデルを学習するということは、特定のデータセットおよびタスク、例えば、傾斜バウンディングボックス物体検出において、その性能を微調整できることを意味します。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パフォーマンスを最適化する必要がある場合は、カスタムモデルを学習することが不可欠です。

以下のコードスニペットでは、OBB検出のために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、モデルは事前学習済みのYOLO11 OBB固有の重み（yolo11n-obb.pt）を使用して初期化されます。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。パラメータ（データセット構成ファイル、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））を使用します。トレーニング後、モデルのパフォーマンスを検証して、精度や損失などのメトリックを確認します。 

学習済みモデルを使用して、新しい画像に対して推論を実行し、OBBでオブジェクトを検出し、視覚化できます。また、学習済みモデルは、エクスポート機能を使用してデプロイするために、ONNXなどの形式に変換できます。

‍

YOLO11 AIの進歩の今後の道

Ultralytics YOLO11は、傾斜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。さまざまな角度でオブジェクトを検出できるため、YOLO11はさまざまな業界のさまざまなアプリケーションに使用できます。たとえば、都市計画、エネルギー、輸送などの業界に最適であり、太陽光パネルの検査やフリートの監視などのタスクでは、精度が非常に重要です。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開発者が現実世界の課題を解決するのに役立ちます。 

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、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くでしょう。

Vision 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。ヘルスケアから自動運転車まで、さまざまな分野を再構築することで、イノベーションを推進しています。