コンピュータビジョンがさまざまな産業でいかに正確な異常検知を可能にするかを探求してください。Ultralytics YOLO11のようなモデルを異常検知用にカスタムトレーニングする方法を学びましょう。
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
コンピュータビジョンがさまざまな産業でいかに正確な異常検知を可能にするかを探求してください。Ultralytics YOLO11のようなモデルを異常検知用にカスタムトレーニングする方法を学びましょう。
航空機の翼の小さなひび、薬の誤ったラベル、または異常な金融取引は、検出されないまま放置されると深刻な問題を引き起こす可能性があります。どの業界も、故障、経済的損失、または安全上のリスクを防ぐために、リスクのある問題を早期に発見しようとするという課題に直面しています。
具体的には、異常を検出する必要があります。異常検知は、予期される動作と一致しないパターンを識別することに焦点を当てています。これは、見過ごされる可能性のある欠陥、エラー、または不規則な活動にフラグを立てることを目的としています。従来の方法は、これらの異常を見つけるために固定されたルールに依存していますが、多くの場合、速度が遅く、複雑なバリエーションに対応できません。ここでコンピュータビジョンが重要な役割を果たします。
大規模な画像データセットから学習することで、Ultralytics YOLO11のようなコンピュータビジョンモデルは、従来の方法よりも正確に異常を検出できます。
この記事では、ビジョンベースの異常検出がどのように機能し、YOLO11がどのように役立つかを探ります。
コンピュータビジョンに関して言えば、異常やイレギュラーは通常、画像やビデオ内の欠陥や異常なパターンとして現れます。長年にわたり、企業は手作業による検査やルールベースのシステムに頼って欠陥を検出してきました。
例えば、医薬品製造では、錠剤の異常として、ひび割れ、形状不良、変色、刻印の欠落などがあり、品質と安全性を損なう可能性があります。これらの欠陥を早期に検出することは、不良品が消費者の手に渡るのを防ぐために不可欠です。しかし、手作業による異常検出方法は、多くの場合、時間がかかり、一貫性がなく、現実世界の複雑なイレギュラーに対応できません。
AIベースの異常検出は、膨大なデータセットから学習し、時間の経過とともにパターンを認識する能力を継続的に向上させることで、これらの課題を解決します。固定されたルールベースの方法とは異なり、AIシステムは学習し、時間の経過とともに改善できます。
YOLO11のような高度なモデルは、高精度でのリアルタイム画像分析を可能にすることで、異常検出を強化します。Vision AIシステムは、形状、テクスチャ、構造などの画像の詳細を分析できるため、イレギュラーを迅速かつ正確に特定しやすくなります。
Vision AIによって駆動される異常検出システムは、まずカメラ、センサー、またはドローンを使用して高品質の画像またはビデオをキャプチャすることによって機能します。工場ラインで欠陥製品を見つけたり、安全なエリアで許可されていない人物を検出したり、公共スペースで異常な動きを識別したりする場合でも、鮮明な視覚データが重要です。
収集された画像またはビデオは、ノイズ除去、コントラスト強調、閾値処理などの画像処理技術を受けます。これらの前処理ステップは、Vision AIモデルが重要な詳細に焦点を当て、バックグラウンドノイズを除去するのに役立ち、セキュリティ監視から医療診断、交通管制まで、さまざまなアプリケーションで精度を向上させます。
前処理後、コンピュータビジョンを使用して画像を分析し、通常とは異なるものを特定できます。異常が検出されると、システムは、作業員に欠陥製品の除去を通知したり、セキュリティ担当者に潜在的な脅威を警告したり、交通オペレーターに混雑の管理を通知するなど、アラートをトリガーできます。
YOLO11のようなコンピュータビジョンモデルが、画像を分析して異常を検出できる仕組みについて詳しく見ていきましょう。
YOLO11は、物体検出、画像分類、インスタンスセグメンテーション、物体追跡、姿勢推定など、さまざまなコンピュータビジョンタスクをサポートしています。これらのタスクにより、さまざまな現実世界のアプリケーションにおける異常検出がより簡単になります。
例えば、物体検出は、組立ライン上の不良品、制限区域内の不正侵入者、倉庫内の置き忘れられたアイテムを特定するために使用できます。同様に、インスタンスセグメンテーションを使用すると、機械の亀裂や食用製品の汚染など、異常を正確に特定できます。
以下に、異常検出に使用されているコンピュータビジョンタスクのその他の例をいくつか示します。
他のさまざまなコンピュータビジョンモデルの中でも、Ultralytics YOLOモデルはその速度と精度で際立っています。Ultralytics YOLOv5は、PyTorchベースのフレームワークによりデプロイメントを簡素化し、より幅広いユーザーがアクセスできるようになりました。一方、Ultralytics YOLOv8は、インスタンスセグメンテーション、物体追跡、姿勢推定などのタスクのサポートを導入することで柔軟性をさらに強化し、さまざまなアプリケーションへの適応性を高めました。
最新バージョンのYOLO11は、以前のバージョンと比較して優れた精度とパフォーマンスを提供します。たとえば、YOLOv8mよりもパラメータが22％少ないYOLO11mは、COCOデータセットでより高い平均適合率（mAP）を実現し、より正確で効率的な物体検出を可能にします。
異常検出のためにYOLO11をカスタムトレーニングするのは簡単です。特定のアプリケーション向けに設計されたデータセットを使用すると、モデルを微調整して異常を正確に検出できます。
始めるには、以下の簡単な手順に従ってください。
また、異常検知システムを構築する際には、カスタムトレーニングが実際に必要かどうかを検討することが重要です。場合によっては、事前トレーニング済みのモデルで十分なこともあります。
たとえば、交通管理システムを開発していて、検出する必要のある異常が歩行者の無謀な道路横断である場合、事前トレーニング済みのYOLO11モデルはすでに人を高い精度で検出できます。「人」はCOCOデータセット（YOLO11が事前トレーニングされているデータセット）で十分に表現されているカテゴリであるため、追加のトレーニングは必要ありません。
検出する必要のある異常またはオブジェクトがCOCOデータセットに含まれていない場合、カスタムトレーニングが不可欠になります。アプリケーションで、製造におけるまれな欠陥、画像内の特定の病状、または標準データセットでカバーされていない固有のオブジェクトを識別する必要がある場合、ドメイン固有のデータでモデルをトレーニングすることで、より優れた性能と精度が保証されます。
異常検知は、多くの現実世界のアプリケーションをカバーする広範な概念です。これらのアプリケーションのいくつかを見て、コンピュータビジョンがどのように異常を識別し、効率を改善し、さまざまな業界で意思決定を強化するのに役立つかを見てみましょう。
製造業におけるコンピュータビジョンは、生産ライン上の欠陥、ずれ、および欠落したコンポーネントを特定することにより、高品質の基準を維持するのに役立ちます。コンピュータビジョンモデルは、欠陥のある製品に即座にフラグを立て、それらがラインを下るのを防ぎ、無駄を削減できます。原材料の欠陥、パッケージングエラー、または構造コンポーネントの弱点などの問題を早期に検出すると、コストのかかるリコールや経済的損失を防ぐことができます。
品質管理以外にも、異常検知は職場の安全性を向上させることができます。工場では、熱、煙、有害な排出物を扱うことが多く、火災の危険につながる可能性があります。Vision AIモデルは、異常な煙のパターン、機械の過熱、あるいは火災の初期兆候を検知し、事故が発生する前に対策を講じることができます。
自動車産業では、YOLO11のようなモデルを使用して、エンジン、ブレーキシステム、およびトランスミッションコンポーネントの故障を、重大な故障につながる前に検出できます。YOLO11の物体検出とインスタンスセグメンテーションのサポートを利用することで、手動検査では見落とす可能性のある異常を正確に特定することが容易になります。
自動車産業における異常検知のその他の例を以下に示します。
エレクトロニクスを手動で検査すると、時間がかかり、一貫性がなく、人的エラーが発生しやすくなるため、マイクロチップ、回路基板、およびはんだ付け接続の欠陥が見過ごされる可能性があります。ひび割れたはんだ接合部や位置がずれたコンポーネントなどの小さな欠陥でも、信号の中断、システムの故障、または短絡を引き起こし、デバイスの信頼性が低下する可能性があります。
YOLO11を搭載した異常検知により、製造業者はこのプロセスを自動化し、位置がずれた部品、欠陥のあるはんだ付け、または電気的故障などの問題を、従来の方法よりもはるかに高い精度で迅速に特定できます。たとえば、人間の検査官が見落とす可能性のあるはんだ接合部の小さな隙間は、YOLO11の物体検出によって簡単に検出できます。
産業界がコンピュータビジョン対応の異常検知に移行するにつれて、YOLO11のようなモデルは、品質の維持、安全性の向上、および運用リスクの軽減に不可欠になりつつあります。
製造業から農業まで、AIを活用した異常検知は、精度向上、検査の迅速化、人為的ミスの最小化に貢献します。今後、AIの進歩により、異常検知はさらに高精度になるでしょう。
成長を続けるコミュニティに参加しませんか？ AIについてさらに学ぶには、GitHubリポジトリをご覧ください。独自のコンピュータビジョンプロジェクトを開始す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とヘルスケアにおけるVision AIをご紹介しています。
