YOLO12解説：実世界での応用とユースケース
最新のコンピュータビジョンモデル、YOLO12を発見してください！そのアテンション中心のアーキテクチャとFlashAttention技術が、業界全体でオブジェクト検出タスクをどのように強化するかを学びましょう。
Computer vision は、機械が画像 and 動画を理解するのを助ける人工知能（AI）の分野です。AIの研究者や開発者が常に限界を押し広げているため、驚異的なスピードで進歩している分野です。AIコミュニティは常に、モデルをより速く、より賢く、より効率的にすることを目指しています。最新のブレイクスルーの一つが、2025年2月18日にリリースされたYOLO（You Only Look Once）モデルシリーズの最新追加モデルである YOLO12 です。
YOLO12は、ニューヨーク州立大学バッファロー校（SUNY）と中国科学院大学の研究者らによって開発されました。YOLO12は、ユニークで新しいアプローチとしてアテンションメカニズムを導入しており、画像全体を均等に処理するのではなく、最も重要な部分に焦点を合わせることを可能にしています。
また、処理を高速化しつつメモリ使用量を抑える技術であるFlashAttentionと、人間が自然に中心の物体に焦点を合わせる方法を模したエリアアテンションメカニズムを特徴としています。
これらの改善により、YOLO12nはYOLOv10nより2.1%精度が向上し、YOLO12mはYOLO11mより1.0%精度が向上しました。ただし、トレードオフとしてYOLO12nはYOLOv10nより9%低速、YOLO12mはYOLO11mより3%低速となっています。
図1. YOLO12を使用して物体を検出する例。
本記事では、YOLO12の独自性、従来のバージョンとの比較、およびその適用分野について探ります。
YOLO12リリースの軌跡#
YOLO model series は、リアルタイムの物体検出のために設計されたコンピュータビジョンモデルのコレクションであり、画像や動画内の物体を素早く特定して位置を特定できることを意味します。時間が経つにつれて、各バージョンは速度、精度、効率の面で向上してきました。
例えば、2020年にリリースされた Ultralytics YOLOv5 は、高速でカスタムトレーニング and デプロイが簡単であったため広く使用されるようになりました。その後、Ultralytics YOLOv8 はインスタンスセグメンテーションや物体追跡などのコンピュータビジョンタスクのサポートを追加することで、これをさらに改善しました。
より最近では、Ultralytics YOLO11 は速度と精度のバランスを維持しながらリアルタイム処理の改善に注力しました。例えば、YOLO11mはYOLOv8mよりもパラメータが22%少ないにもかかわらず、物体検出モデルを評価するための広く使用されているベンチマークであるCOCOデータセットでより優れた検出性能を発揮しました。
こうした進歩の上に構築されたYOLO12は、視覚情報を処理する方法を転換しています。画像全体を等しく扱うのではなく、最も関連性の高い領域を優先することで検出精度を向上させました。簡単に言えば、YOLO12はこれまでの改良を基盤としつつ、より高精度であることを目指しています。
YOLO12の主な特徴#
YOLO12は、リアルタイム処理速度を維持しながら computer vision tasks を強化するいくつかの改良を導入しています。以下にYOLO12の主な特徴の概要を示します:
- アテンション中心のアーキテクチャ: YOLO12は画像全体を均等に処理するのではなく、最も重要な領域に集中します。これにより精度が向上し、不要な処理が削減されるため、複雑な画像であってもより鮮明で効率的な検出が可能になります。
- FlashAttention: YOLO12はメモリ消費を抑えながら画像解析を高速化します。FlashAttention（メモリ効率の高いアルゴリズム）によりデータ処理が最適化され、ハードウェアへの負荷を軽減し、リアルタイム処理をよりスムーズかつ確実にします。
- R-ELAN (Residual Efficient Layer Aggregation Networks): YOLO12はR-ELANを用いてレイヤーをより効率的に整理しており、モデルのデータ処理と学習能力が向上しています。これにより学習の安定性が高まり、物体認識が鮮明化し、計算要件が低減されるため、多様な環境下で効率的に動作します。
これらの機能が実生活でどのように機能するかを理解するために、ショッピングモールを例に挙げます。YOLO12は、来店者の追跡、鉢植えや販促物などの店舗装飾品の識別、置き忘れや放棄された物品の発見を支援できます。
そのアテンション中心のアーキテクチャが最も重要な詳細への集中を助け、FlashAttentionがシステムに負荷をかけることなく迅速な処理を保証します。これにより、モールの運営者はセキュリティの強化、店舗レイアウトの改善、そして全体的なショッピング体験の向上を容易に行えるようになります。
図2. YOLO12を使用してショッピングモールで物体を検出する様子。
ただし、YOLO12には考慮すべき制限もいくつかあります。
- トレーニング時間の増加: アーキテクチャ上の理由により、YOLO12はUltralytics YOLO11と比較してより長いトレーニング時間を必要とします。
- エクスポートの課題: 一部のユーザーは、YOLO12モデルをエクスポートする際、特に特定のデプロイ環境に統合する際に困難を経験する場合があります。
YOLO12の性能ベンチマークの理解#
YOLO12には複数のバリエーションがあり、それぞれが異なるニーズに合わせて最適化されています。小型バージョン（nano and small）は速度と効率を優先しており、モバイルデバイスやエッジコンピューティングに最適です。ミディアム and ラージバージョンは速度と accuracy のバランスを取っており、YOLO12x（エキストララージ）は産業自動化、医療画像処理、高度な監視システムなどの高精度アプリケーション向けに設計されています。
これらのバリエーションにより、YOLO12はモデルサイズに応じて異なるレベルのパフォーマンスを発揮します。ベンチマークテストでは、YOLO12の特定のバリアントが精度においてYOLOv10やUltralytics YOLO11を上回り、より高い平均精度（mAP）を達成していることが示されています。
一方で、YOLO12m、YOLO12l、YOLO12xといった一部のモデルはYOLO11よりも画像の処理速度が遅く、検出精度と速度の間のトレードオフを示しています。それにもかかわらず、YOLO12は他の多くのモデルよりも少ないパラメータ数で動作するため依然として効率的ですが、YOLO11よりは多く使用します。そのため、純粋な速度よりも精度が重視されるアプリケーションにおいて優れた選択肢となります。
Fig 3. Ultralytics YOLO11とYOLO12の比較。
Ultralytics Pythonパッケージを使用したYOLO12の利用#
YOLO12は Ultralytics Python package によってサポートされており、使いやすいため、初心者からプロフェッショナルまでアクセスしやすくなっています。わずか数行のコードで、ユーザーは事前トレーニング済みモデルをロードし、画像や動画でさまざまなコンピュータビジョンタスクを実行し、カスタムデータセットでYOLO12をトレーニングすることもできます。Ultralytics Python packageはプロセスを効率化し、複雑なセットアップ手順の必要性をなくします。
例えば、use YOLO12 for object detection を行うために実行する手順は次のとおりです:
- Ultralyticsパッケージのインストール: まず、YOLO12を効率的に実行するために必要なツールを提供するUltralytics Pythonパッケージをインストールします。これにより、すべての依存関係が正しく設定されます。
- 事前学習済みYOLO12モデルの読み込み: タスクに必要な精度と速度のレベルに基づいて、適切なYOLO12バリアント（nano、small、medium、large、またはextra large）を選択します。
- 画像または動画の提供: 解析したい画像または動画ファイルを入力します。YOLO12はリアルタイム検出のためにライブビデオフィードを処理することも可能です。
- 検出プロセスの実行: モデルが視覚データをスキャンし、物体を特定してその周囲にバウンディングボックスを配置します。検出された各物体には、予測されたクラスと信頼度スコアがラベル付けされます。
- 検出設定の調整: 信頼度閾値などのパラメータを変更して、検出の精度とパフォーマンスを微調整することも可能です。
- 出力の保存または利用: 検出された物体を含む処理済みの画像や動画は、保存したり、さらなる分析、自動化、または意思決定のためにアプリケーションに統合したりすることができます。
これらのステップにより、YOLO12は監視や小売店の追跡から医療画像診断、自動運転車まで、さまざまな用途で簡単に利用できます。
YOLO12の実際の応用#
YOLO12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、および方向付き物体検出（OBB）のサポートにより、多様な実世界のアプリケーションで使用できます。
図4. YOLO12は物体検出や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ています。
しかし、先ほど議論したように、YOLO12モデルは速度よりも精度を優先するため、初期のバージョンと比較して画像の処理にわずかに長い時間がかかります。このトレードオフにより、YOLO12はリアルタイムの速度よりも精度が重要な以下のアプリケーションに最適です。
- Medical imaging: YOLO12は、X線やMRI画像内の腫瘍や異常を高精度で検出するようにカスタムトレーニングできるため、診断のために正確な画像分析を必要とする医師や放射線科医にとって有用なツールとなります。
- Quality control in manufacturing: 製造プロセス中の製品の欠陥を特定するのに役立ち、高品質のアイテムだけが市場に出るようにしながら、無駄を削減して効率を向上させます。
- 法医学的分析: 法執行機関は、 surveillance映像を解析して証拠を収集するためにYOLO12を微調整できます。犯罪捜査においては、重要な詳細を特定するために精度が極めて重要です。
- 精密農業: 農家はYOLO12を使用して作物の健康状態を分析し、病気や害虫の発生を検出し、土壌の状態を監視できます。正確な評価は農法を最適化し、収穫量の向上と資源管理の改善につながります。
YOLO12を始めるために#
YOLO12を実行する前に、システムが必要条件を満たしていることを確認することが重要です。
技術的には、YOLO12は任意の専用 GPU (Graphics Processing Unit) 上で実行できます。デフォルトではFlashAttentionを必要としないため、それなしでもほとんどのGPUシステムで動作します。ただし、FlashAttentionを有効にすることは、大規模なデータセットや高解像度画像を扱う場合に特に役立ち、処理速度の低下を防ぎ、メモリ使用量を削減し、処理効率を向上させるのに役立ちます。
FlashAttentionを使用するには、Turing（T4、Quadro RTX）、Ampere（RTX 30シリーズ、A30、A40、A100）、Ada Lovelace（RTX 40シリーズ）、またはHopper（H100、H200）といったシリーズのNVIDIA GPUが必要です。
使いやすさとアクセシビリティを考慮して、Ultralytics Python packageは、そのインストールが非常に技術的に複雑になる可能性があるため、まだFlashAttention推論をサポートしていません。YOLO12の使用開始やパフォーマンスの最適化の詳細については、official Ultralytics documentation を確認してください。
重要なポイント#
コンピュータビジョンの進歩に伴い、モデルはより正確かつ効率的になっています。YOLO12は、アテンション中心の処理とFlashAttentionを用いることで物体検出、インスタンスセグメンテーション、画像分類といったコンピュータビジョンタスクを改善し、メモリ使用を最適化しながら精度を向上させています。
同時に、コンピュータビジョンはこれまで以上に利用しやすくなっています。YOLO12はUltralytics Pythonパッケージを通じて簡単に使用でき、速度よりも精度を重視しているため、医療画像診断、産業検査、ロボティクスなど、精度が鍵となるアプリケーションに最適です。
AIに興味がありますか？ GitHub repository にアクセスし、our community に参加してください。ソリューションページで AI in self-driving cars や computer vision in agriculture などの分野におけるイノベーションを探索してください。our licensing options を確認し、ビジョンAIプロジェクトを実現させましょう。 🚀
