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）の一分野です。画像分類とは異なり、物体検出は画像内のオブジェクトを特定するだけでなく、その正確な位置も示します。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、倉庫の自動化に不可欠なツールとなっています。

物体検出技術は時間とともに進化し、使いやすさも向上してきました。大きな進展として、Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)において、Ultralytics YOLO11モデルのリリースが発表されました。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、以前のモデルを使っていたユーザーも簡単に移行できます。

図1. 物体検出にUltralytics YOLO11モデルを使用する例。

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、実際の活用例を紹介します。また、Ultralytics PythonパッケージとUltralytics HUBプラットフォームを使ってYOLO11モデルを利用する方法も説明します。それでは始めましょう。

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、集合写真の顔を識別して位置を特定したり、混雑した道路の車や店舗の棚にある商品を検出したりできます。オブジェクト認識と位置特定を組み合わせているため、監視、群衆のモニタリング、自動在庫管理などの用途で特に役立ちます。

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、同じ種類の個々のオブジェクトを区別しません（たとえば、写真内のすべての顔が「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はさらに踏み込み、同じクラスのオブジェクトであっても個々に分けて、それぞれの正確な形状を輪郭で示します。

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の特定の商品を検出できます。小売業者が棚をモニタリング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するには、棚に商品を補充し、整理しておくことが重要であり、売上にも直接影響します。棚をリアルタイムでモニタリングすると、商品が品薄になっている、別の場所に置かれている、または過剰に積まれ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。

興味深い活用例の1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、規制の迅速な執行を支援できます。

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

道路をモニタリングするビジョンAIシステムから得られる分析情報により、交通違反や渋滞が深刻化する前に当局へ通知できます。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道路の安全性と効率性が向上します。

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映るオブジェクトを、システムがその場で識別、分類する機能です。Ultralytics YOLO11は優れたリアルタイム性能を実現するよう設計されており、この機能を効果的にサポートします。用途はプロセスの効率化にとどまらず、より包括的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物す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ことがありますが、Ultralytics YOLO11が支援できます。商品をカートに入れるときに、YOLO11を統合したシステムでバナナ、アボカド、牛乳のパックなどを識別し、リアルタイムで音声による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そろっているか確かめられます。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活用例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、学習時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、分析結果を提示したりすることです。物体検出では、画像や動画内の特定のオブジェクト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、モデルの学習内容に基づいてラベルを付けます。

YOLO11物体検出モデルで推論するには、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をまとめ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合わせるためのカスタムトレーニング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オブジェクト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、カスタムトレーニングしたYOLO11モデルで、MRIスキャンの腫瘍やX線画像の骨折など、医療画像に見られる特定の異常を検出し、医師による迅速かつ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ます。YAML設定ファイルまたは事前学習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、物体検出の性能をさらに高められます。

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)

モデルのトレーニング後、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でエクスポートすることもできます。

Ultralytics HUBでのYOLO11物体検出#

コードを書かずに利用できる方法をお探しの方には、Ultralytics HUBがおすすめです。YOLO11を含むYOLOモデルのトレーニングとデプロイに使える、使いやすいビジョンAIプラットフォームを提供しています。

画像の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オブジェクトが表示されます。

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たUltralytics YOLO11なら、開発者も企業も高度な物体検出技術を簡単に活用できます。

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応える物体検出の新たな基準を確立します。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、YOLO11は幅広い用途でリアルタイムかつ信頼性の高い性能を発揮す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をワークフローに組み込むことがこれまで以上に簡単になりました。コンピュータービジョンを探求する開発者にも、AIを活用した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。

詳細については、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、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の活用例をご覧ください。🚀