コンピュータービジョンにおける枝刈りと量子化：クイックガイド

テクノロジーの進歩に伴い、エッジデバイスがますます普及しています。心拍数を計測するスマートウォッチから、街路を監視する空中ドローンまで、エッジシステムはデバイス内でデータをローカルにリアルタイム処理できます。

この方法は、特にナンバープレートの検出やジェスチャーの追跡など、個人データを扱う用途では、クラウドにデータを送信するより高速で安全なことがよくあります。これらは、機械が視覚情報を解釈して理解できるようにする人工知能（AI）の一分野であるコンピュータービジョンの例です。

図1. ナンバープレート検出の例です。(出典)

ただし、重要な考慮事項として、このようなアプリケーションには、膨大な計算を処理し、最小限のリソースで動作し、自律的に稼働できるVision AIモデルが必要です。ほとんどのコンピュータービジョンモデルは高性能システム向けに開発されているため、エッジデバイスへの直接デプロイにはあまり適していません。

このギャップを埋めるため、開発者は多くの場合、モデルを小型ハードウェア上で効率的に動作させるための的を絞った最適化を適用します。メモリと処理能力が限られる実環境のエッジデプロイでは、こうした調整が不可欠です。

興味深いことに、Ultralytics YOLO11のようなコンピュータービジョンモデルは、エッジでの効率性を考慮してすでに設計されており、リアルタイムタスクに最適です。ただし、プルーニングや量子化などのモデル最適化手法を使用すれば、パフォーマンスをさらに高め、制約のあるデバイスで推論を高速化し、リソース使用量を抑えられます。

この記事では、プルーニングと量子化とは何か、どのように機能するのか、実環境のエッジデプロイでYOLOモデルの性能向上にどう役立つのかを詳しく見ていきます。さっそく始めましょう。

プルーニングと量子化：モデル最適化の主要な手法#

Vision AIモデルをエッジデバイスにデプロイする準備では、性能を犠牲にせず、モデルを軽量かつ信頼性の高いものにすることが主な目標の一つです。そのため、メモリ、電力、処理能力が限られたハードウェアでも効率的に動作できるよう、モデルのサイズと計算負荷を削減することがよくあります。このための一般的な方法が、プルーニングと量子化です。

プルーニングは、ニューラルネットワークの小型化と効率化に役立つAIのモデル最適化手法です。多くの場合、特定の接続やノードなど、モデルの一部は最終的な予測にあまり寄与しません。プルーニングでは、こうした重要度の低い部分を特定して取り除くことで、モデルサイズを縮小し、処理を高速化します。

一方、量子化は、モデルが使用する数値の精度を下げる最適化手法です。高精度の32ビット浮動小数点数に頼る代わりに、モデルは8ビット整数のような、より小さく効率的な形式に切り替えます。この変更によりメモリ使用量を抑え、モデルが予測を行うプロセスである推論を高速化できます。

図2. プルーニングと量子化の概要です。(出典)

プルーニングと量子化の仕組み#

プルーニングと量子化について理解が深まったところで、それぞれの仕組みを見ていきましょう。

プルーニングは、感度分析と呼ばれるプロセスを用いて行います。この分析では、特定の重み、ニューロン、チャネルなど、ニューラルネットワークモデルのどの部分が最終的な出力予測への寄与が最も小さいかを特定します。これらの部分は、精度への影響を最小限に抑えて削除できます。プルーニング後は通常、性能を微調整するためにモデルを再学習させます。モデルサイズと精度の適切なバランスが見つかるまで、このサイクルを繰り返すことができます。

一方、モデルの量子化では、モデルによるデータの処理方法に重点を置きます。まずキャリブレーションを行い、サンプルデータを使ってモデルを実行し、処理する必要がある値の範囲を学習させます。次に、これらの値を32ビット浮動小数点から8ビット整数などの低精度形式に変換します。

図3. 量子化はモデルサイズと複雑さの削減に役立ちます。(出典)

実環境のAIプロジェクトでプルーニングと量子化を簡単に利用できるツールがいくつかあります。PyTorchやTensorFlowなど、ほとんどのAIフレームワークにはこれらの最適化手法が組み込まれており、開発者はモデルのデプロイプロセスに直接組み込むことができます。

モデルを最適化した後は、ONNX Runtimeなどのツールを使って、サーバー、デスクトップ、エッジデバイスなど、さまざまなハードウェアプラットフォーム上で効率よく実行できます。また、Ultralyticsは、量子化に適した形式（たとえば、形式が対応している場合はINT8向けのquantize=8）でYOLOモデルをエクスポートできる統合機能を提供しており、モデルサイズの削減と性能向上を容易にします。

Ultralytics YOLOモデルの最適化の概要#

YOLO11のようなUltralytics YOLOモデルは、シングルステップの高速な物体検出で広く知られており、リアルタイムのVision AIタスクに最適です。エッジデプロイに十分な軽さと効率性を備えるよう、すでに設計されています。ただし、畳み込み層と呼ばれる、視覚的特徴の処理を担う層は、推論時に依然としてかなりの計算能力を必要とする場合があります。

Ultralytics YOLO11はすでにエッジでの利用に最適化されているのに、なぜさらなる最適化が必要なのかと疑問に思うかもしれません。簡単に言えば、すべてのエッジデバイスが同じではないためです。標準的なLED電球よりも消費電力の少ない小型組み込みプロセッサなど、非常に限られたハードウェア上で動作するものもあります。

こうしたケースでは、Ultralytics YOLO11のような軽量化されたモデルにも、スムーズで信頼性の高い性能を確保するための追加最適化が必要です。プルーニングや量子化などの手法は、精度への影響を最小限に抑えながらモデルサイズを縮小し、推論を高速化するため、リソースが限られた環境に適しています。

これらの最適化手法を簡単に適用できるよう、UltralyticsはYOLOモデルをONNX、TensorRT、OpenVINO、CoreML、PaddlePaddleなど複数の形式にエクスポートできるさまざまなインテグレーションをサポートしています。各形式は、特定の種類のハードウェアやデプロイ環境で適切に動作するよう設計されています。

たとえば、ONNXは幅広いツールやプラットフォームとの互換性があるため、量子化のワークフローでよく使われます。一方、TensorRTはNVIDIAデバイス向けに高度に最適化されており、INT8を使った低精度推論をサポートしているため、エッジGPUへの高速なデプロイに適しています。

Ultralytics YOLOモデル最適化の効果的なユースケース#

コンピュータービジョンの実世界での応用が広がるなか、YOLOモデルを最適化することで、より小型で高速なハードウェア上で物体検出、インスタンスセグメンテーション、物体追跡などのタスクを実行できるようになります。続いて、プルーニングと量子化によって、こうしたコンピュータービジョンタスクをより効率的かつ実用的にできるユースケースをいくつか見ていきましょう。

Ultralytics YOLO11を活用したスマート監視#

多くの産業施設や公共エリアでは、安全を確保するためにリアルタイム監視が欠かせません。交通機関の駅、製造施設、大規模な屋外施設などでは、人や車両を迅速かつ正確に検出できるVision AIシステムが必要です。こうした場所では接続環境やハードウェアに制約があることも多く、大規模なモデルのデプロイが困難です。

このような場合、Ultralytics YOLO11のような最適化されたVision AIモデルが優れたソリューションになります。コンパクトなサイズと高速な処理性能により、組み込みカメラやスマートセンサーなど、低消費電力のエッジデバイスでの実行に最適です。これらのモデルはデバイス上で視覚データを直接処理できるため、常時クラウドに接続することなく、安全違反、不正アクセス、異常行動をリアルタイムで検出できます。

図4. Ultralytics YOLO11は、地下鉄駅などの公共の場所の監視に使用できます。

Ultralytics YOLO11で建設現場の安全性を高める#

建設現場は、重機が稼働し、作業員が行き交い、絶えず活動が続く、変化の激しい予測困難な環境です。工程の変更、機器の移動、さらには急な天候の変化によって、状況がすぐに変わることがあります。このような動的な環境では、作業員の安全を確保し続けることが常に課題となります。

リアルタイム監視は重要な役割を果たしますが、従来のシステムはクラウドへのアクセスや高価なハードウェアに依存していることが多く、現場での実用性に欠ける場合があります。ここで、Ultralytics YOLO11のようなモデルが効果を発揮します。YOLO11は、インターネット接続を必要とせず現場で直接動作する、小型で効率的なエッジデバイス上で実行できるよう最適化できます。

たとえば、数エーカーにわたる高速道路の拡張工事のような大規模な建設現場を考えてみましょう。このような場所では、すべての車両や機器を手作業で追跡するのは困難で時間もかかります。カメラと最適化されたUltralytics YOLO11モデルを搭載したドローンを使えば、車両の自動検出と追跡、交通の流れの監視、不正アクセスや危険な運転行動などの安全上の問題の特定に役立ちます。

図5. 建設現場のドローン画像を分析します。(出典)

コンピュータービジョンにおけるプルーニングと量子化のメリットとデメリット#

プルーニングや量子化などのコンピュータービジョンモデル最適化手法には、次のような主な利点があります。

• コスト効率の高いデプロイ: より小型で効率的なモデルにより、高価なハイエンドハードウェアの必要性を減らせるため、さまざまなユースケースでAIを利用しやすくし、拡張性を高められます。
• 低レイテンシ: モデルアーキテクチャを簡素化し、計算オーバーヘッドを減らすことで、リアルタイムアプリケーションの応答時間を短縮できます。
• エネルギー効率: 計算負荷を減らすと消費電力も抑えられるため、バッテリー駆動のシステムやモバイルシステムで特に役立ちます。

プルーニングと量子化には多くの利点がありますが、モデルを最適化する際に開発者が考慮すべきトレードオフもあります。留意すべき制約をいくつか紹介します。

• 精度とのトレードオフ: プルーニングが過度に強い場合や、非常に低ビットの量子化を使用する場合、mAPなどの指標で測定されるモデルの精度が低下することがあります。
• ハードウェアの制約: すべてのデバイスがINT8などの低精度形式を同じように適切にサポートしているわけではありません。そのため、最適化されたモデルをデプロイできる場所や方法が制限される場合があります。
• 実装の複雑さ: 良好な結果を得るには、多くの場合、モデルごとに慎重な調整が必要です。効率性を高めながら性能を維持するために、モデルの再学習や広範なテストが必要になることがあります。

重要なポイント#

プルーニングと量子化は、エッジデバイス上でYOLOモデルの性能を高める有用な手法です。モデルサイズを縮小し、必要な計算量を減らして予測を高速化しますが、通常、精度の低下はわずかです。

これらの最適化手法を使うと、モデルを一から再構築することなく、さまざまな種類のハードウェアに合わせて柔軟に調整できます。多少の調整とテストを行えば、実環境でVision AIをより簡単に活用できるようになります。

成長を続けるコミュニティにご参加ください。GitHubリポジトリをチェックして、AIについて詳しく学びましょう。コンピュータービジョンプロジェクトを始めませんか。ライセンスオプションをご確認ください。ソリューションページでは、農業分野のAIや医療分野のVision AIについてご覧いただけます。