YOLOEとは？コンピュータービジョンモデルをさらに進化させる

物体検出は、画像や動画内の物体を識別して位置を特定することを目的とした、コンピュータービジョンの重要なタスクです。物体検出は、機械が視覚データを理解して解釈できるようにする人工知能（AI）の分野であるコンピュータービジョンの重要な要素です。たとえば、物体検出を使うと、写真の中の車を識別したり、動画フィードの中の人物を検出したりできます。

物体検出などのコンピュータービジョンタスクに対応する、最もよく知られたモデルシリーズの一つがYOLO（You Only Look Once）シリーズです。速度と精度を重視して設計されたYOLOモデルは、継続的に進化してきました。たとえば、Ultralytics YOLO11（現在は後継のUltralytics YOLO26に置き換えられています）は、複雑な環境でも正確な結果を提供し、実環境で優れた性能を発揮します。

この進歩をさらに推し進める新しいモデル、YOLOEは、YOLOモデルの機能拡張を目指しています。新しい物体を認識するために再トレーニングが必要な従来のモデルとは異なり、YOLOEは簡単なテキストや画像のプロンプトに従って、これまで見たことのない物体を検出できます。そのため、変化する環境にも柔軟に対応できます。

この記事では、YOLOEの独自性を詳しく見ていき、従来のYOLOモデルとの比較や、すぐに使い始める方法をご紹介します。

YOLOEの概要#

YOLOEは、物体検出をさらに進化させたコンピュータービジョンモデルです。2025年3月に清華大学の研究者によって発表されました。YOLOEが従来のモデルと異なる点は、オープンボキャブラリー検出を採用していることです。

ほとんどのモデルは固定された物体リストを認識するようにトレーニングされますが、YOLOEでは短い説明文やサンプル画像を使って検出対象を指定できます。たとえば、「緑色のバックパック」を探す場合、その説明を入力するか、モデルに写真を見せると、YOLOEがシーン内の該当する物体を特定します。

さらに、YOLOEはプロンプトがなくても、多くの日常的な物体を自力で検出できます。これまで見たことのない物体を認識するこの機能は、ゼロショット検出と呼ばれます。タスクや対象物が予期せず変わる可能性のある動的な環境で、特に役立ちます。

図1. YOLOEの機能の概要。

YOLOEの主な機能#

YOLOEは、実世界のアプリケーションで性能を高めるために設計された幅広い機能に対応しています。構造化入力と非構造化入力の両方を扱えるため、YOLOEは物体検出とセグメンテーションに新たな可能性をもたらします。

このモデルの主な機能をいくつか紹介します。

• プロンプトベースの検出: YOLOEは、短いテキストプロンプトやサンプル画像に基づいて物体を検索できます。タスクが変わるたびにモデルを再トレーニングする必要はありません。探しているものを説明するか、モデルに見せるだけです。
• インスタンスセグメンテーション：物体の周囲にバウンディングボックスを描画するだけでなく、YOLOEはインスタンスセグメンテーションを使って物体の正確な形状を輪郭として示せます。物体が重なっている場合や、物体の境界を正確に把握する必要がある場合に特に役立ちます。
• プロンプト不要の物体認識: YOLOEは、特定の指示がなくても物体を認識できます。事前に学習した説明のセットを使って物体をすばやく識別するため、処理がより高速かつ効率的になります。

YOLOEと他のYOLOモデルの比較#

YOLOEについて理解が深まったところで、YOLOファミリーの類似モデルをいくつか見ていきましょう。

コンピュータービジョンの進歩に伴い、YOLOモデルも進化してきました。たとえば、Ultralytics YOLOv8はセグメンテーションや分類などの新しいタスクに対応し、その後のUltralytics YOLO11などのバージョンでは、より幅広いタスクの精度と性能の向上に重点が置かれています。

また、YOLO-Worldは2024年1月にリリースされ、テキストプロンプトを使って、見つけたい物体をユーザーが説明できる機能が導入されました。YOLO-Worldはゼロショット検出に優れた選択肢でしたが、インスタンスセグメンテーションや視覚プロンプトへの対応などの機能はありませんでした。

YOLOEはこれらの機能を追加することでYOLO-Worldをベースに拡張し、柔軟性とパフォーマンスを向上させ、実世界のコンピュータービジョンアプリケーションにより大きな価値をもたらすツールを提供します。オープンボキャブラリー検出器とビジョン言語モデルが実世界の検出データセットでどのように比較されるかは、Ultralytics VLMリーダーボードをご覧ください。

図2. YOLO-WorldとYOLOEはどちらもゼロショット検出に対応しています。

Ultralytics PythonパッケージでYOLOEを使用する#

特定の物体を検出したい場合も、画像内のすべてを調べたい場合も、YOLOEは簡単に使い始められます。このモデルはUltralytics Pythonパッケージでサポートされているため、プロジェクトに簡単に統合できます。次に、使い方を順を追って説明します。

Ultralyticsパッケージのインストール#

最初に、pipなどのパッケージマネージャーを使ってUltralytics Pythonパッケージをインストールします。ターミナルまたはコマンドプロンプトでpip install ultralyticsを実行してください。

パッケージをインストールすると、モデルの読み込み、予測の実行、さまざまな検出モードの試用に必要なものがすべてそろいます。インストール中に問題が発生した場合は、Ultralytics公式ドキュメントのトラブルシューティングセクションが役立ちます。

YOLOEを使って予測を実行する方法はいくつかあります。予測の実行とは、トレーニング済みモデルを使って画像や動画内の物体を識別し、位置を特定することです。これらの方法を使うと、特定のニーズに応じてモデルとのやり取りをカスタマイズできます。

それぞれの方法を順に説明します。

テキストまたは画像のプロンプトを使った特定物体の検出#

YOLOEは短いテキストの説明に基づいて物体を検出できます。たとえば、動いている馬を探す場合は、「歩いている馬」のようなプロンプトを使えます。

まず、事前トレーニング済みのYOLOEモデルを読み込み、次のコードスニペットのようにプロンプト（モデルに探させたい対象の説明）を設定します。

from ultralytics import YOLOE

model = YOLOE("yoloe-11l-seg.pt")
prompt = ["horse walking"]
model.set_classes(prompt, model.get_text_pe(prompt))

モデルとプロンプトを設定したら、画像または動画に対してモデルを実行できます。コード内のファイルパスを、画像または動画ファイルのパスに置き換えてください。

results = model.predict("path/to/your/image.jpg")
results[0].show()

プロンプトに基づいて検出された物体が明確に示された画像が表示されます。探しているものに応じて、「赤いスーツケース」、「自転車」、「シマウマ」など、プロンプトを変更して別の物体を検索できます。

図3. テキストプロンプトを使って特定の物体を検出するYOLOEの使用例。

同様に、Ultralytics Pythonパッケージを使って、画像をYOLOEへのプロンプトとして利用できます。視覚プロンプトモードでは、モデルが画像を使って別のシーンから見た目が似ている物体を探します。これは、説明が難しい物体や明確なラベルがない物体に特に役立ちます。

このコードについて詳しく知りたい場合は、Ultralyticsドキュメントをご覧ください。

YOLOEによる一般的な物体検出#

何を検索すればよいか正確にわからない場合や、特定の物体を探しているわけではない場合もあります。そのような場合に便利なのが、プロンプト不要モードです。

このモードでは、説明を入力したりサンプル画像を提供したりする必要はありません。YOLOEは自動で画像を解析し、人、動物、家具、日用品など、認識できるものをすべて検出します。

モデルに特定の指示を与えずにシーンを調べるのに便利な方法です。人で混雑した部屋をスキャンする場合も、活動の多い映像を確認する場合も、プロンプト不要モードを使うと画像内に何があるかをすばやく確認できます。

次のコードを使うと、YOLOEをプロンプト不要モードで実行できます。まずモデルを読み込み、次に画像を処理して物体を自動的に検出します。最後に結果を表示し、検出された物体を強調表示します。

ファイルパスを実際の画像のパスに置き換えてください。

from ultralytics import YOLOE

model = YOLOE("yoloe-11l-seg-pf.pt")
results = model.predict("path/to/image.jpg")
results[0].show()

以下の画像は、YOLOEがプロンプト不要モードで検出できるものの例です。

図4. プロンプト不要モードでのYOLOEの使用。

YOLOEのリアルタイムアプリケーション#

テキストと画像の両方のプロンプトに対応できるYOLOEは、リアルタイムアプリケーションに適した信頼性の高いツールです。柔軟性が高いため、タイミングと精度が不可欠な、動きの速い環境で特に役立ちます。

YOLOEの実世界での活用例をいくつか見てみましょう。

手荷物処理の改善：リアルタイムの荷物検出#

混雑した空港では、特定の荷物を見つけるのが難しく、特に荷物の紛失時は困難です。YOLOEを使うと、ライブ動画をスキャンし、「赤いバッグ」のような簡単なプロンプトに基づいて荷物をすばやく識別できるため、このプロセスを効率化できます。

荷物が紛失したり、置き間違えられたりした場合、スタッフはプロンプトを「黒いスーツケース」のような別の対象に変更して簡単に検索できます。このように即座に対応できるため、長時間の映像を確認したりモデルを再トレーニングしたりすることなく、空港スタッフが適切な荷物をすばやく見つけられます。その結果、手荷物処理と紛失荷物の問題解決を大幅に迅速化、効率化できます。

YOLOEによる公共スペースの監視#

混雑した市場やカフェなどの公共スペースの監視映像には、人、物体、活動が混在しており、その内容は一日を通して変化します。YOLOEはプロンプト不要モードで映像をリアルタイムに解析し、特定の指示がなくても、バッグ、テーブル、自転車などを自動的に検出できます。

図5. YOLOEは混雑した公共スペースでさまざまな物体を検出できます。

これは、放置された物品の発見や群衆の動きの追跡に役立つため、特にセキュリティチームにとって有用です。YOLOEは複数の物体を一度に検出できるため、イベント中や混雑時の公共スペースを管理しやすくなり、チームが状況を把握して迅速に対応できます。

YOLOEのメリットとデメリット#

コンピュータービジョンアプリケーションでYOLOEを使う主なメリットをいくつか紹介します。

• リアルタイム性能: YOLOEは高速かつ効率的に処理できるよう最適化されており、ライブ動画ストリームや混雑した公共スペースなどの動的な環境でも、リアルタイム検出を実現します。
• スケーラビリティ：YOLOEはスケーラブルで、セキュリティや監視から小売、医療、自動運転車まで、幅広い用途に適しています。
• 使いやすさ: YOLOEはUltralytics Pythonパッケージでサポートされているため、既存のコンピュータービジョンプロジェクトに簡単に統合できます。

ただし、YOLOEを使う際には、いくつかの制限事項に注意が必要です。考慮すべき点をいくつか紹介します。

• 十分なトレーニングデータが必要: YOLOEはゼロショット検出に対応していますが、未知の物体に対する性能は、トレーニングデータからどれだけ適切に汎化できるかに左右されます。高度に専門的なタスクで優れた性能を発揮するには、追加データやファインチューニングが必要な場合があります。
• 入力品質の影響を受けやすい: 低品質の画像や動画は、モデルの精度に影響する可能性があります。ぼやけた入力や照明が不十分な入力は、物体を正確に検出する能力を低下させるため、最適な性能を得るには高品質な入力が重要です。

重要なポイント#

YOLOEは、テキストや画像のプロンプトで検出を誘導できるため、コンピュータービジョンの柔軟性を高めます。シーンが急速に変化し、再トレーニングができない実世界の状況で優れた性能を発揮します。

手荷物処理から公共スペースの監視まで、YOLOEは新しいタスクにも簡単に対応します。AIがより利用しやすくなるにつれて、YOLOEのようなモデルは、より多くの業界がビジョンテクノロジーを実用的かつ効率的に活用できるよう支援しています。

コミュニティに参加し、GitHubリポジトリをチェックして、AIのイノベーションについてさらに詳しくご覧ください。ソリューションページでは、小売業におけるAIや医療分野のコンピュータービジョンなど、最新の進歩を紹介しています。ライセンスオプションを確認して、今すぐコンピュータービジョンを始めましょう。