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人工知能（AI）の一分野であり、人間が現実世界を認識するのと同じように、機械に画像や動画を認識し、理解させることに重点を置いています。物体の認識や動作の識別は人間にとって自然にできることですが、機械で実現するには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ます。これは、画像や動画内の物体を識別し、その位置を特定するタスクです。

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性能向上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の手法では、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、一致する箇所を探していました。画期的な手法ではあったものの、物体のサイズや向き、照明の変化への対応には課題がありました。現在では、Ultralytics YOLO11のような高度なモデルにより、オクルージョンのある物体と呼ばれる、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は進化を続けているため、これらの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。

コンピュータービジョンの起源#

物体検出の説明に入る前に、コンピュータービジョンがどのように始まったのかを見てみましょう。コンピュータービジョンの起源は、科学者たちが脳による視覚情報の処理方法を研究し始めた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、脳がエッジや線のような単純なパターンに反応することを発見しました。この発見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に進む前に、まずエッジなどの画像内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、機械による視覚情報の処理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・プロジェクトは、研究をさらに進展させました。この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開発を目指していました。ビジョンAIコミュニティの多くは、このプロジェクトをコンピュータービジョンが科学分野として正式に始まった節目と捉えています。

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につれ、物体検出の手法はテンプレートマッチングのような基本的な技術から、より高度なアプローチへと移行しました。広く普及した手法の1つがHaar Cascadeで、顔検出などのタスクでよく使われるようになりました。この手法では、スライディングウィンドウで画像を走査し、各領域にエッジやテクスチャなどの特定の特徴があるかを確認してから、特徴を組み合わせて顔などの物体を検出します。Haar Cascadeは従来の手法よりもはるかに高速でした。

図2.顔検出におけるHaar Cascadeの使用。

これらと並行して、方向勾配ヒストグラム（HOG）やサポートベクターマシン（SVMs）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を使って画像内の小さな領域における光と影の変化を分析し、形状に基づいた物体の識別を支援します。次に、SVMsがこれらの特徴を分類し、物体の種類を特定します。これらの手法によって精度は向上しましたが、実環境での課題は残り、現在の手法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）の登場により、物体検出に大きな変化がもたらされました。CNNsによって、コンピューターは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）のような初期のモデルは、精度を大きく向上させ、従来の手法よりも正確な物体識別を可能にしました。

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でリアルタイムに活用するには実用的ではありませんでした。

処理の高速化を重視し、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善し、検出に必要な手順を減らしました。物体検出は高速化したものの、即時の結果が求められる多くの実環境で使うには、まだ十分な速度ではありませんでした。リアルタイム検出の需要が高まるにつれ、速度と精度の両立を図る、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で検出できるようにし、コンピュータービジョンのあり方を一新した物体検出モデルです。この点で、従来の検出手法とは一線を画しています。検出した物体を個別に分析するのではなく、YOLOのアーキテクチャでは物体検出を1つのタスクとして扱い、CNNs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にある物体の検出を担当します。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、信頼度の最も高い結果だけを残します。

図4. YOLOの動作概要。

コンピュータービジョンのアプリケーションにYOLOが導入されたことで、物体検出は従来のモデルよりも大幅に高速かつ効率的になりました。速度と精度に優れているため、YOLOは製造、医療、ロボティクスなどの業界で、リアルタイムソリューションの選択肢としてすぐに普及しました。

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、PyTorchを使ったモデルのデプロイが簡単になり、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させたことで、コーディングの専門知識がなくても、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。

Ultralytics YOLO11（後継モデルはUltralytics YOLO26）では、さらなる最適化が進められています。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より効率的に利用できるようになりました。経験豊富な開発者にも、AIを始めたばかりの方にも、YOLO11は簡単に利用できる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、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定など、YOLOv8と同じコンピュータービジョンタスクに対応しています。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。さらに、YOLO11ではアーキテクチャが改良され、予測精度が一段と高まりました。実際、YOLO11mはYOLOv8mよりパラメーター数が22%少ない一方で、COCOデータセットにおける平均適合率（mAP）が高くなっています。

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に設計されています。この柔軟性により、さまざまなハードウェア構成でリアルタイムアプリケーションを安定して実行できます。さらに、YOLO11は高速かつ効率的で、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（現在のUltralytics Platform）を利用する場合も、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にもたらす効果は、すでにさまざまな業界で実感されています。石油・ガス、医療、小売などの分野でAIの活用が進むにつれ、高速で正確な物体検出への需要は高まり続けています。Ultralytics YOLO11は、計算能力に限りのある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な意思決定に、さらに欠かせないもの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、物体検出は多様なアプリケーションで、今後さらに多くの革新をもたらすでしょう。

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に関心がありますか？学び続けるために、ぜひコミュニティにご参加ください。GitHubリポジトリでは、製造やヘルスケアなどの業界で、革新的なソリューションの開発にAIをどのように活用しているかをご覧いただけます。