プルーニングと量子化が、コンピュータビジョンモデルを最適化し、エッジデバイスでのより高速なパフォーマンスを可能にするために不可欠である理由を発見してください。
YOLO Vision 2025にご期待ください！
2025年9月25日
10:00 — 18:00（英国夏時間）
ハイブリッドイベント
プルーニングと量子化が、コンピュータビジョンモデルを最適化し、エッジデバイスでのより高速なパフォーマンスを可能にするために不可欠である理由を発見してください。
技術の進歩に伴い、エッジデバイスはますます普及しています。心拍数を追跡するスマートウォッチから、道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ローカルにリアルタイムでデータを処理できます。
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追跡など、個人情報に関わるアプリケーションの場合、データをクラウドに送信するよりも高速で安全であることがよくあります。これらはコンピュータビジョンの例であり、機械が視覚情報を解釈し理解できるようにする人工知能（AI）の一分野です。
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、高負荷な計算を処理し、最小限のリソースを使用し、独立して動作できるVision AIモデルが必要です。ほとんどのコンピュータビジョンモデルは、高性能システム向けに開発されており、エッジデバイスへの直接展開にはあまり適していません。
このギャップを埋めるために、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実行できるように適合させる、対象を絞った最適化を適用します。これらの調整は、メモリと処理能力が限られている実際のエッジ展開にとって非常に重要です。
興味深いことに、Ultralytics YOLO11のようなコンピュータビジョンモデルは、エッジ効率を念頭に置いて設計されており、リアルタイムタスクに最適です。ただし、それらのパフォーマンスは、枝刈りや量子化などのモデル最適化手法を使用してさらに向上させることができ、制約のあるデバイス上でより高速な推論とより低いリソース使用量を実現できます。
この記事では、枝刈りと量子化とは何か、それらがどのように機能するのか、そしてそれらがYOLOモデルが実際のエッジ環境での展開で性能を発揮するのにどのように役立つのかを詳しく見ていきます。それでは、始めましょう！
エッジデバイスへの展開のためにVision AIモデルを準備する場合、主要な目標の1つは、パフォーマンスを犠牲にすることなく、モデルを軽量かつ信頼性の高いものにすることです。これには、限られたメモリ、電力、または処理能力を持つハードウェア上で効率的に動作できるように、モデルのサイズと計算量を削減することがよく含まれます。これを行う一般的な方法の2つは、枝刈りと量子化です。
プルーニングは、ニューラルネットワークをより小型かつ効率的にするのに役立つ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貢献しません。プルーニングは、これらの重要度の低い部分を特定して削除することで、モデルのサイズを縮小し、パフォーマンスを高速化します。
一方、量子化は、モデルが使用する数値の精度を低下させる最適化手法です。高精度の32ビット浮動小数点数に依存する代わりに、モデルは8ビット整数などのより小さく、より効率的な形式に切り替えます。この変更により、メモリ使用量が削減され、推論（モデルが予測を行うプロセス）が高速化されます。
枝刈り（Pruning）と量子化について理解が深まったところで、これらがどのように機能するかを順を追って説明します。
プルーニングは、感度分析と呼ばれるプロセスを使用して行われます。これは、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少ないかを特定します。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、通常、モデルを再トレーニングしてパフォーマンスを微調整します。このサイクルを繰り返して、サイズと精度の適切なバランスを見つけることができます。
一方、モデルの量子化は、モデルがデータをどのように処理するかに焦点を当てています。これはキャリブレーションから始まり、モデルはサンプルデータで実行され、処理する必要のある値の範囲を学習します。次に、これらの値は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されます。
実際のAIプロジェクトでプルーニングと量子化を簡単に使用できるようにするツールがいくつかあります。PyTorchやTensorFlowなどのほとんどのAIフレームワークには、これらの最適化手法の組み込みサポートが含まれており、開発者はこれらをモデルのデプロイプロセスに直接統合できます。
モデルが最適化されると、ONNX Runtimeなどのツールを使用して、サーバー、デスクトップ、エッジデバイスなどのさまざまなハードウェアプラットフォームで効率的に実行できます。また、Ultralyticsは、YOLOモデルを量子化に適した形式でエクスポートできる統合機能を提供し、モデルサイズの縮小とパフォーマンスの向上を容易にします。
Ultralytics YOLOモデル（YOLO11など）は、高速なシングルステップ物体検出で広く認識されており、リアルタイムのVision AIタスクに最適です。これらはすでに、エッジデプロイメントに十分なほど軽量かつ効率的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当する層は、推論中にかなりの計算能力を必要とする可能性があります。
YOLO11がすでにエッジでの使用に最適化されているのに、なぜさらに最適化する必要があるのかと思われるかもしれません。簡単に言うと、すべてのエッジデバイスが同じというわけではありません。標準的なLED電球よりも消費電力が少ない、小型の組み込みプロセッサのような、非常に最小限のハードウェアで動作するものもあります。
このような場合、YOLO11のような合理化されたモデルであっても、スムーズで信頼性の高いパフォーマンスを保証するには、追加の最適化が必要です。プルーニングや量子化などの手法は、精度に大きな影響を与えることなく、モデルのサイズを縮小し、推論を高速化するのに役立ち、このような制約のある環境に最適です。
これらの最適化手法をより簡単に適用できるようにするために、Ultralyticsは、YOLOモデルをONNX、TensorRT、OpenVINO、CoreML、PaddlePaddleなどの複数の形式にエクスポートするために使用できるさまざまな統合をサポートしています。各形式は、特定のタイプのハードウェアおよび展開環境で適切に動作するように設計されています。
例えば、ONNXは広範なツールやプラットフォームとの互換性があるため、量子化ワークフローでよく使用されます。一方、TensorRTはNVIDIAデバイス向けに高度に最適化されており、INT8を使用した低精度推論をサポートしているため、エッジGPUでの高速なデプロイに最適です。
コンピュータビジョンがさまざまな現実世界のアプリケーションに拡大し続けるにつれて、最適化されたYOLOモデルにより、オブジェクト検出、インスタンスセグメンテーション、オブジェクト追跡などのタスクを、より小型で高速なハードウェアで実行できます。次に、プルーニングと量子化がこれらのコンピュータビジョンタスクをより効率的かつ実用的にするユースケースをいくつか説明します。
多くの工業地帯や公共エリアでは、安全性とセキュリティを維持するためにリアルタイム監視に依存しています。 transit stations、製造現場、大規模な屋外施設などの場所では、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。多くの場合、これらの場所は接続性とハードウェアに制約があるため、大規模なモデルの展開が困難です。
このような場合、YOLO11のような最適化されたVision AIモデルは優れたソリューションとなります。そのコンパクトなサイズと高速なパフォーマンスにより、組み込みカメラやスマートセンサーのような低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、常にクラウドにアクセスしなくても、デバイス上で直接視覚データを処理し、安全規則違反、不正アクセス、または異常な活動をリアルタイムで検出できます。
建設現場は、重機、移動する作業員、絶え間ない活動で満たされた、変化の速い予測不可能な環境です。スケジュール変更、機器の移動、または天候の急変により、状況はすぐに変化する可能性があります。このようなダイナミックな環境では、作業員の安全は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、従来のシステムは多くの場合、クラウドアクセスや高価なハードウェアに依存しており、現場での使用には適さない場合があります。そこで、YOLOv8のようなモデルが役立ちます。YOLOv8は、インターネット接続を必要とせずに現場で直接動作する小型で効率的なエッジデバイスで実行できるように最適化できます。
例えば、数エーカーに及ぶ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。この種の環境では、すべての車両や機器を手動で追跡することは困難で時間がかかる可能性があります。カメラと最適化されたYOLO11モデルを搭載したドローンは、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。
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の最適化手法がもたらす主な利点をいくつかご紹介します。
プルーニングと量子化は多くの利点をもたらしますが、モデルを最適化する際に開発者が考慮すべき特定のトレードオフも伴います。留意すべきいくつかの制限事項を以下に示します。
プルーニングと量子化は、YOLOモデルがエッジデバイス上でより優れたパフォーマンスを発揮するのに役立つ有用な手法です。これらは、モデルのサイズを縮小し、計算ニーズを軽減し、予測を高速化しますが、いずれも精度を著しく損なうことはありません。
これらの最適化手法により、開発者はモデルを完全に再構築しなくても、さまざまな種類のハードウェアに合わせてモデルを柔軟に調整できます。調整とテストを行うことで、Vision AIを実際の状況に適用することが容易になります。
成長を続けるコミュニティに参加しましょう。AIについてさらに詳しく知るために、GitHubリポジトリをご覧ください。コンピュータビジョンプロジェクトを始める準備はできましたか？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、農業におけるAIやヘルスケア分野におけるVision AIをご紹介しています。
