物体検出とUltralytics YOLOモデルの進化

コンピュータービジョンは、機械に画像や動画を見て理解する方法を教えることに焦点を当てた人工知能 (AI) の一分野であり、人間が現実世界を認識する仕組みに似ています。物体を認識することや動作を識別することは人間にとって自然な作業ですが、機械には特定の専門的なコンピュータービジョン技術が必要です。たとえば、コンピュータービジョンの重要なタスクの1つに物体検出があり、画像や動画内の物体を識別して位置を特定します。

1960年代以降、研究者たちはコンピューターによる物体検出の改善に取り組んできました。テンプレートマッチングなどの初期手法では、あらかじめ定義したテンプレートを画像上でスライドさせ、一致する部分を探していました。革新的な手法ではありましたが、物体のサイズや向き、照明の変化への対応に苦労しました。現在では、高度なモデルであるUltralytics YOLO11を使うことで、オクルージョン物体と呼ばれる、小さく一部が隠れた物体も高い精度で検出できます。

コンピュータービジョンの進化が続くなか、こうした技術がどのように発展してきたかを振り返ることが重要です。この記事では、物体検出の進化をたどり、YOLO（You Only Look Once）モデルの変遷に焦点を当てます。さっそく始めましょう！

コンピュータービジョンの起源#

物体検出について詳しく見ていく前に、コンピュータービジョンがどのように始まったのかを振り返りましょう。コンピュータービジョンの起源は、科学者たちが脳の視覚情報処理を研究し始めた1950年代後半から1960年代初頭にさかのぼります。猫を使った実験で、研究者のDavid HubelとTorsten Wieselは、脳がエッジや線などの単純なパターンに反応することを発見しました。これは特徴抽出の考え方の基礎となりました。つまり、視覚システムは複雑なパターンを処理する前に、画像内のエッジなどの基本的な特徴を検出して認識するという考え方です。

図1.猫の脳が光の帯に反応する仕組みの研究は、コンピュータービジョンにおける特徴抽出の発展に役立ちました。

ほぼ同じ時期に、物理的な画像をデジタル形式に変換できる新しい技術が登場し、機械が視覚情報を処理する方法への関心が高まりました。1966年、マサチューセッツ工科大学 (MIT) のサマービジョンプロジェクトが研究をさらに前進させました。プロジェクトは完全な成功には至りませんでしたが、画像内の前景と背景を分離できるシステムの構築を目指していました。ビジョンAIコミュニティの多くの人々にとって、このプロジェクトは科学分野としてのコンピュータービジョンの正式な始まりを示すものです。

物体検出の歴史を理解する#

1990年代後半から2000年代初頭にかけてコンピュータービジョンが進歩すると、物体検出の手法はテンプレートマッチングなどの基本的な技術から、より高度なアプローチへと移行しました。広く利用されるようになった手法の1つがHaar Cascadeで、顔検出などのタスクに普及しました。Haar Cascadeはスライディングウィンドウで画像を走査し、各領域のエッジやテクスチャなどの特定の特徴を調べ、それらを組み合わせて顔などの物体を検出します。Haar Cascadeは従来の手法より大幅に高速でした。

図2.顔検出におけるHaar Cascadeの使用。

これらに加えて、方向付き勾配ヒストグラム (HOG) やサポートベクターマシン (SVM) などの手法も登場しました。HOGはスライディングウィンドウ技術を使って画像の小領域における光と影の変化を分析し、形状に基づく物体の識別を支援しました。次にSVMがこれらの特徴を分類し、物体の種類を判定しました。これらの手法により精度は向上しましたが、実環境では依然として課題があり、現在の技術と比べて処理速度も遅いものでした。

リアルタイム物体検出の必要性#

2010年代には、ディープラーニングと畳み込みニューラルネットワーク (CNNs)の台頭により、物体検出は大きく変化しました。CNNによって、コンピューターが大量のデータから重要な特徴を自動的に学習できるようになり、検出精度が大幅に向上しました。

R-CNN（領域ベースの畳み込みニューラルネットワーク）などの初期モデルは精度を大きく向上させ、従来の手法よりも高精度に物体を識別できるようになりました。

しかし、これらのモデルは画像を複数の段階に分けて処理するため速度が遅く、自動運転車やビデオ監視などの分野におけるリアルタイムアプリケーションには実用的ではありませんでした。

処理速度の向上を目指し、より効率的なモデルが開発されました。Fast R-CNNやFaster R-CNNなどのモデルは、関心領域の選択方法を改良し、検出に必要なステップ数を減らしました。これにより物体検出は高速化しましたが、即時の結果を必要とする多くの実世界のアプリケーションにはまだ十分な速さではありませんでした。リアルタイム検出への需要の高まりにより、速度と精度のバランスを取れる、さらに高速で効率的なソリューションの開発が進みました。

図3. R-CNN、Fast R-CNN、Faster R-CNNの速度比較。

YOLO（You Only Look Once）モデル：大きな節目#

YOLOは、画像や動画内の複数の物体をリアルタイムに検出できるようにし、コンピュータービジョンを再定義した物体検出モデルです。従来の検出手法とは大きく異なり、検出した物体を個別に分析するのではなく、YOLOのアーキテクチャは物体検出を単一のタスクとして扱い、CNNを使って物体の位置とクラスを一度に予測します。

このモデルは画像をグリッドに分割し、各領域がそれぞれの範囲内の物体を検出します。各領域について複数の予測を行い、信頼度の低い結果を除外して、精度の高い結果だけを残します。

図4. YOLOの動作概要。

YOLOがコンピュータービジョンアプリケーションに導入されたことで、物体検出は従来のモデルより大幅に高速かつ効率的になりました。その速度と精度から、YOLOは製造、医療、ロボティクスなどの業界におけるリアルタイムソリューションとして、すぐに人気を集めました。

もう1つ重要なのは、YOLOがオープンソースだったため、開発者や研究者が継続的に改良でき、さらに高度なバージョンが生まれたことです。

YOLOからUltralytics YOLO11への道のり#

YOLOモデルは、各バージョンの進歩を土台に、着実に改良されてきました。パフォーマンスの向上に加え、こうした改良によって、さまざまな技術経験を持つ人々がモデルを使いやすくなりました。

たとえば、Ultralytics YOLOv5の登場により、モデルのデプロイがPyTorchで簡単になり、より幅広いユーザーが高度なAIを活用できるようになりました。精度と使いやすさを両立し、コーディングの専門家でなくても、より多くの人が物体検出を実装できるようになりました。

図5. YOLOモデルの進化。

Ultralytics YOLOv8は、インスタンスセグメンテーションなどのタスクをサポートし、モデルの柔軟性を高めることで、この進歩を引き継ぎました。基本的な用途からより複雑なアプリケーションまでYOLOを使いやすくなり、幅広いシナリオで役立つようになりました。

最新モデルのUltralytics YOLO11では、さらなる最適化が行われています。パラメーター数を減らしながら精度を向上させたことで、リアルタイムタスクでさらに効率的に動作します。経験豊富な開発者にも、AIを始めたばかりの方にも、YOLO11は利用しやすい高度な物体検出アプローチを提供します。

Ultralytics YOLO11を知る：新機能と改善点#

Ultralyticsの年次ハイブリッドイベントYOLO Vision 2024 (YV24)で発表されたYOLO11は、YOLOv8と同じコンピュータービジョンタスク、たとえば物体検出、インスタンスセグメンテーション、画像分類、姿勢推定をサポートしています。そのため、ユーザーはワークフローを変更せずに新しいモデルへ簡単に切り替えられます。また、YOLO11ではアーキテクチャが強化され、予測精度がさらに高まりました。実際、YOLO11mはYOLOv8mよりパラメーター数が22%少ないにもかかわらず、COCOデータセットでより高い平均適合率 (mAP) を達成しています。

YOLO11は、スマートフォンやその他のエッジデバイスから高性能なクラウドシステムまで、幅広いプラットフォームで効率よく動作するよう構築されています。この柔軟性により、リアルタイムアプリケーションでさまざまなハードウェア構成において安定したパフォーマンスを実現します。さらに、YOLO11はより高速で効率的なため、計算コストを削減し、推論時間を短縮します。Ultralytics Pythonパッケージを使用する場合も、ノーコードのUltralytics HUBを使用する場合も、YOLO11を既存のワークフローに簡単に統合できます。

YOLOモデルと物体検出の未来#

高度な物体検出がリアルタイムアプリケーションやエッジAIに与える影響は、すでにさまざまな業界で現れています。石油・ガス、医療、小売などの分野でAIへの依存が高まるにつれ、高速かつ高精度な物体検出への需要も増加し続けています。Ultralytics YOLO11は、計算能力が限られたデバイスでも高性能な検出を可能にし、この需要に応えることを目指しています。

エッジAIの成長に伴い、Ultralytics YOLO11のような物体検出モデルは、速度と精度が重要となる環境でのリアルタイム意思決定に、さらに不可欠になると考えられます。設計と適応性の継続的な改善により、物体検出の未来には、さまざまなアプリケーションにおけるさらなるイノベーションが期待されます。

重要なポイント#

物体検出は、単純な手法から現在の高度なディープラーニング技術へと、大きく進化してきました。YOLOモデルはこの進歩の中心となり、さまざまな業界でより高速かつ高精度なリアルタイム検出を実現してきました。Ultralytics YOLO11はこの実績を土台に、効率を高め、計算コストを削減し、精度を向上させることで、幅広いリアルタイムアプリケーションに適した信頼性の高い選択肢となっています。AIとコンピュータービジョンの進歩が続くなか、速度、精度、適応性のさらなる向上が期待され、物体検出の未来は明るいと言えます。

AIに興味がありますか？学び続けるために、コミュニティで交流しましょう！GitHubリポジトリをチェックして、製造や医療などの業界でAIを活用し、革新的なソリューションを生み出す方法をご覧ください。🚀