物体検出にUltralytics YOLO11を使用する方法

コンピュータービジョンは、機械が視覚情報を解釈・理解し、物体検出などの重要なタスクを実行できるようにする人工知能（AI）の分野です。画像分類とは異なり、物体検出は画像内にどのような物体があるかを識別するだけでなく、それらの正確な位置も特定します。そのため、自動運転車などのビジョンAIアプリケーション、リアルタイムのセキュリティシステム、倉庫の自動化に欠かせないツールとなっています。

時間の経過とともに、物体検出テクノロジーはより高度で使いやすくなりました。大きな進展の一つは、Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024（YV24）で発表された、Ultralytics YOLO11モデルのリリースです。YOLO11は、YOLOv8と同じタスクをサポートしながら、精度とパフォーマンスを向上させているため、以前のモデルのユーザーもスムーズに移行できます。

図1。物体検出にUltralytics YOLO11モデルを使用する例です。

この記事では、物体検出とは何か、他のコンピュータービジョンタスクとどのように異なるのかを詳しく説明し、実際のアプリケーションについても紹介します。また、Ultralytics PythonパッケージとUltralytics HUBプラットフォームでYOLO11モデルを使用する方法を順に説明します。さっそく始めましょう。

物体検出とは何ですか？#

物体検出は、画像内の物体を識別するだけではない、コンピュータービジョンの中核タスクです。特定の物体が存在するかどうかだけを判定する画像分類とは異なり、物体検出は複数の物体を認識し、バウンディングボックスを使用してそれらの正確な位置を特定します。

たとえば、集合写真内の顔を識別して位置を特定したり、混雑した道路上の車や、店舗の棚に並んだ商品を検出したりできます。物体認識と位置特定を組み合わせることで、監視、群衆のモニタリング、自動在庫管理などのアプリケーションに特に適しています。

図2。Ultralytics YOLO11を使用した顔の検出です。

物体検出がセマンティックセグメンテーションやインスタンスセグメンテーションなどの他のタスクと異なるのは、その目的と効率性です。

セマンティックセグメンテーションは画像内のすべてのピクセルにラベルを付けますが、同じ種類に属する個々の物体を区別しません（たとえば、写真内のすべての顔が「face」としてまとめられます）。インスタンスセグメンテーションはさらに進んで、同じクラスに属する物体であっても、それぞれを分離し、正確な形状の輪郭を描きます。

一方、物体検出は、物体を識別・分類しながらその位置を示す、より効率的なアプローチを提供します。そのため、セキュリティ映像内の顔の検出や、自動運転車の障害物の識別など、リアルタイムタスクに適しています。

Ultralytics YOLO11と物体検出のアプリケーション#

Ultralytics YOLO11の高度な物体検出機能は、さまざまな業界で役立ちます。いくつかの例を見てみましょう。

小売分析にUltralytics YOLO11を使用する#

Ultralytics YOLO11と物体検出は、在庫管理や棚のモニタリングをより効率的かつ正確にすることで、小売分析を変革しています。モデルが物体を迅速かつ確実に検出できるため、小売業者は在庫量の追跡、棚の整理、在庫数のミスの削減を行えます。

たとえば、YOLO11は店舗の棚にあるサングラスなど、特定の商品を検出できます。しかし、小売業者はなぜ棚を監視する必要があるのでしょうか。顧客が必要な商品を見つけられるように、棚を補充して整理しておくことは重要であり、売上に直接影響します。棚をリアルタイムで監視することで、小売業者は商品の品薄、誤配置、過密状態をすぐに把握でき、整理された魅力的な陳列を維持して購買体験を向上させられます。

図3。Ultralytics YOLO11を使用して棚上の商品を検出する例です。

スマートシティアプリケーションにおけるUltralytics YOLO11#

活気のある都市が効率的に機能するには、円滑な交通の流れと安全な道路が必要です。Ultralytics YOLO11は、これを実現するのに役立ちます。実際、多くのスマートシティアプリケーションをYOLO11と統合できます。

興味深い事例の一つは、物体検出を使用して走行中の車両のナンバープレートを識別することです。これにより、Ultralytics YOLO11は、料金徴収の迅速化、より優れた交通管理、規制執行の迅速化を支援できます。

図4。物体検出とUltralytics YOLO11を使用したナンバープレートの検出です。

道路を監視するビジョンAIシステムから得られるインサイトにより、当局は交通違反や渋滞が深刻な問題に発展する前に把握できます。YOLO11は歩行者や自転車利用者も検出できるため、誰にとっても道路をより安全で効率的にできます。

実際、Ultralytics YOLO11は視覚データを処理できるため、都市インフラの改善に役立つ強力なツールです。たとえば、車両や歩行者の動きを分析して、信号機のタイミングを最適化できます。また、子どもを検出して運転者に減速を促すことで、スクールゾーンの安全性も高められます。YOLO11を使用すれば、都市は課題に積極的に対応し、すべての人にとってより効率的な環境を構築できます。

Ultralytics YOLO11によるリアルタイム動画検出：アクセシビリティの向上#

リアルタイム物体検出とは、ライブ動画フィードに物体が現れると、システムがそれらを識別・分類する機能を指します。Ultralytics YOLO11は優れたリアルタイムパフォーマンスを実現するよう設計されており、この機能のサポートに優れています。その用途はプロセスの効率化にとどまらず、より包括的で利用しやすい世界の実現にも役立ちます。

たとえば、YOLO11は、視覚障害のある方が物体をリアルタイムで識別できるよう支援します。検出結果に基づいて音声説明を提供できるため、ユーザーはより自立して周囲を移動できます。

視覚障害のある方が食料品を買い物している場面を考えてみましょう。適切な商品を選ぶのは難しい場合がありますが、Ultralytics YOLO11が支援できます。商品をカートに入れる際、YOLO11と統合されたシステムで、バナナ、アボカド、牛乳パックなどの商品を一つずつ識別し、リアルタイムの音声説明を提供できます。これにより、選んだ商品を確認し、必要なものがすべて揃っていることを確かめられます。YOLO11は日用品を認識することで、買い物をより簡単にできます。

図5。物体検出は、視覚障害のある方にとって世界をより利用しやすくするのに役立ちます。

Ultralytics YOLO11で物体検出を行うステップバイステップガイド#

物体検出の基本と多様なアプリケーションについて説明したところで、物体検出などのタスクにUltralytics YOLO11モデルを使用する方法を見ていきましょう。

YOLO11を使用する方法は、Ultralytics PythonパッケージまたはUltralytics HUBを利用する2通りです。まずはPythonパッケージから、両方の方法を見ていきましょう。

Ultralytics YOLO11を使用した推論の実行#

推論とは、AIモデルが新しい未知のデータを分析し、予測を行ったり、情報を分類したり、トレーニング中に学習した内容に基づいてインサイトを提供したりする処理です。物体検出では、画像や動画内の特定の物体を識別して位置を特定し、その周囲にバウンディングボックスを描画して、モデルのトレーニング内容に基づいてラベルを付けることを意味します。

YOLO11物体検出モデルで推論を行うには、まず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。インストールで問題が発生した場合は、解決に役立つヒントをまとめたトラブルシューティングガイドを確認してください。インストール後、次のコードを使用してYOLO11物体検出モデルを読み込み、画像に対する予測を実行できます。

図6。YOLO11nを使用して画像への推論を実行しています。

カスタムUltralytics YOLO11モデルのトレーニング#

Ultralytics YOLO11は、特定のユースケースにより適合させるためのカスタムトレーニングもサポートしています。モデルをファインチューニングすることで、プロジェクトに関連する物体を検出できるよう調整できます。たとえば、医療分野でコンピュータービジョンを使用する場合、カスタムトレーニングしたYOLO11モデルを使用して、MRIスキャンの腫瘍やX線画像の骨折など、医用画像内の特定の異常を検出し、医師によるより迅速で正確な診断を支援できます。

以下のコードスニペットでは、物体検出用のUltralytics YOLO11モデルを読み込んでトレーニングする方法を示しています。YAML設定ファイルまたは事前トレーニング済みモデルから開始し、重みを転移して、COCOなどのデータセットでトレーニングすることで、物体検出機能をさらに洗練できます。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

モデルをトレーニングした後は、さまざまな環境にデプロイできるよう、トレーニング済みモデルを複数の形式にエクスポートすることもできます。

Ultralytics HUBでのYOLO11物体検出#

コード不要の代替手段を探している方には、Ultralytics HUBが、YOLO11を含むYOLOモデルのトレーニングとデプロイに使用できる使いやすいビジョンAIプラットフォームを提供します。

画像に対して物体検出を実行するには、アカウントを作成し、「Models」セクションに移動して、Ultralytics YOLO11物体検出モデルのバリアントを選択するだけです。画像をアップロードすると、プラットフォームのプレビューセクションに検出された物体が表示されます。

図7。Ultralytics HUBで推論を実行しています。

Pythonパッケージの柔軟性とHUBの使いやすさを組み合わせることで、Ultralytics YOLO11は、開発者にも企業にも、高度な物体検出テクノロジーの力を簡単に活用できるようにします。

主なポイント#

Ultralytics YOLO11は、高い精度と汎用性を組み合わせ、さまざまな業界のニーズに応える物体検出の新たな基準を打ち立てます。小売分析の強化からスマートシティインフラの管理まで、YOLO11は無数のアプリケーションでリアルタイムかつ信頼性の高いパフォーマンスを発揮できるよう設計されています。

カスタムトレーニングのオプションとUltralytics HUBによる使いやすいインターフェースにより、ワークフローへのYOLO11の統合はこれまでになく簡単になりました。コンピュータービジョンを探求する開発者にも、AIでイノベーションを目指す企業にも、YOLO11は成功に必要なツールを提供します。

詳しくは、GitHubリポジトリを確認し、コミュニティに参加してください。ソリューションページで自動運転車や農業向けコンピュータービジョンにおけるAIアプリケーションをご覧ください。🚀