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、物体検出などの重要なタスクを可能にするために、機械が視覚情報を解釈・理解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、物体検出では画像内の物体を識別するだけでなく、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。

物体検出技術は進化を続け、より高度で使いやすくなってきました。大きな進展の一つは、Ultralyticsの年次ハイブリッドイベントYOLO Vision 2024（YV24）で発表された、Ultralytics YOLO11モデルのリリースです。YOLO11は精度とパフォーマンスを向上させながら、YOLOv8と同じタスクに対応しているため、従来のモデルを使っているユーザーも簡単に移行できます。（その後、YOLO11の後継としてUltralytics YOLO26が登場しました。）

図1. 物体検出にUltralytics YOLO11モデルを使用する例。

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う異なるのかを解説し、実世界での用途を紹介します。また、Ultralytics PythonパッケージとUltralytics HUB（現在のUltralytics Platform）を使ってYOLO11モデルを利用する方法も説明します。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、画像内のオブジェクトを特定するだけにとどまらない、コンピュータービジョンの中核的なタスクです。特定のオブジェクト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、物体検出では複数のオブジェクトを認識し、バウンディングボックスを使ってそれぞれの正確な位置を示します。

たとえば、集合写真の中の顔、混雑した道路上の車、店舗の棚に並ぶ商品を識別して位置を特定できます。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用途に特に役立ちます。

図2. Ultralytics YOLO11を使った顔の検出。

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、その焦点と効率性です。

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、同じ種類の個々の物体は区別しません（たとえば、写真内の顔はすべて「顔」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ではさらに、各物体を分離して正確な形状を輪郭として示すため、同じクラスの物体も個別に識別できます。

一方、物体検出はオブジェクトを識別、分類し、その位置を示すことで、より効率的なアプローチを実現します。そのため、セキュリティ映像内の顔の検出や、自律走行車向けの障害物の識別など、リアルタイムのタスクに最適です。

Ultralytics YOLO11と物体検出の活用例#

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。

小売分析におけるUltralytics YOLO11の活用#

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。モデルはオブジェクトを迅速かつ確実に検出できるため、小売業者は在庫数の把握、棚の整理、在庫数のカウントミスの削減を実現できます。

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。小売業者が棚を監視するのはなぜでしょうか。顧客が必要な商品を見つけられるように、棚を補充して整理整頓することは重要であり、売上にも直接影響します。棚をリアルタイムで監視すれば、商品が品薄になっている、誤った場所に置かれている、または過密になっている状況をすばやく把握できます。これにより、買い物体験を向上させる、整理された魅力的な売り場を維持できます。

図3. Ultralytics YOLO11を使って棚の商品を検出する例。

スマートシティでのUltralytics YOLO11の活用#

活気ある都市が円滑に機能するには、交通の流れと道路の安全性が欠かせません。Ultralytics YOLO11はこれを実現するうえで役立ちます。実際、多くのスマートシティアプリケーションをYOLO11と連携できます。

興味深いユースケースの一つは、物体検出を使っ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、交通管理の改善、法令執行の迅速化を支援できます。

図4. 物体検出とUltralytics YOLO11を使ったナンバープレートの検出。

道路を監視するビジョンAIシステムから得られる知見は、交通違反や渋滞が大きな問題に発展する前に、当局へ警告できます。YOLO11は歩行者や自転車利用者も検出できるため、すべての人にとって街路の安全性と効率性を高めます。

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、信号機の点灯時間を最適化できます。また、子どもを検出してドライバー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を活用すれば、都市は課題に先手を打って対応し、すべての人にとってより効率的な環境を作り出せます。

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た際に、システムがそれを識別して分類する機能です。Ultralytics YOLO11はリアルタイム性能を実現するように設計されており、この機能に適しています。その用途はプロセスの効率化にとどまらず、よりインクルーシブでアクセシブルな社会の実現にも役立ちます。

たとえば、YOLO11は視覚障害のある人を支援するため、オブジェクトをリアルタイムで識別できます。検出結果に基づいて音声による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。

視覚障害のある人が食料品を買いに行く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が役立ちます。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、リアルタイムで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、必要なものをすべて揃えたかどうかを確かめられます。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、視覚障害のある人にとって世界をよりアクセシブルにするのに役立ちます。

Ultralytics YOLO11による物体検出のステップバイステップガイド#

物体検出の基本と多様な用途を確認したところで、物体検出などのタスクにUltralytics YOLO11モデルを使い始める方法を見ていきましょう。

YOLO11を使う方法は、Ultralytics PythonパッケージとUltralytics HUBの2つです。まずはPythonパッケージを使う方法から、両方の手順を確認しましょう。

Ultralytics YOLO11を使った推論の実行#

推論とは、AIモデルが新しい未見のデータを分析し、学習中に得た知識に基づいて予測を行ったり、情報を分類したり、知見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、モデルの学習内容に基づく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実行するには、まずpip、conda、またはDockerを使って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や方法を掲載したトラブルシューティングガイドをご覧ください。インストール後、次のコードを使ってYOLO11n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を使った画像の推論実行。

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学習にも対応しています。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に調整できます。たとえば、医療分野でコンピュータービジョンを活用する場合、カスタム学習したYOLO11モデルを使って、MRIスキャン画像の腫瘍やX線画像の骨折など、医用画像内の特定の異常を検出できます。これにより、医師はより迅速かつ正確に診断できます。

以下のコードスニペットでは、物体検出用にUltralytics YOLO11モデルを読み込んで学習する方法を示します。YAML設定ファイルまたは事前学習済みモデルから始め、重みを転移して、COCOなどのデータセットで学習させることで、物体検出機能をさらに高めることができます。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo11n.yaml")  # YAMLから新しいモデルを構築
model = YOLO("yolo11n.pt")  # 事前学習済みモデルを読み込む（トレーニングに推奨）
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # YAMLから構築して重みを転移

# モデルをトレーニング
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

モデルを学習した後、さまざまな環境にデプロイできるよう、学習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#

ノーコードの選択肢をお探しの場合、Ultralytics HUBはYOLO11を含むYOLOモデルの学習とデプロイに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て「Models」セクションに移動し、Ultralytics YOLO11物体検出モデルのバリアントを選択します。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欄に検出された物体が表示されます。

図7. Ultralytics HUBでの推論の実行。

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を簡単に利用できるようにします。

重要なポイント#

Ultralytics YOLO11は高い精度と汎用性を兼ね備え、さまざまな業界のニーズに対応します。小売分析の強化からスマートシティのインフラ管理まで、幅広い用途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に設計されています。

カスタム学習の選択肢とUltralytics HUBの使いやすいインターフェースにより、YOLO11をワークフローに簡単に統合できます。コンピュータービジョンを探求する開発者にも、AIを活用した革新を目指す企業にも、YOLO11は始めるために必要なツールを提供します。

詳しくは、GitHubリポジトリをご覧いただき、コミュニティにご参加ください。ソリューションページでは、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の活用例をご覧いただけます。