YOLO12解説：実世界での活用例とユースケース

コンピュータービジョンは、機械が画像や動画を理解できるようにする人工知能（AI）の一分野です。AI研究者や開発者が絶えず限界を押し広げているため、驚くべき速さで進歩しています。AIコミュニティは常に、より高速で高性能、かつ効率的なモデルを目指しています。最新のブレークスルーの一つが、2025年2月18日にリリースされたYOLO（「一度見ただけで認識」）モデルシリーズの最新モデルであるYOLO12です。その後、ほとんどの本番ワークロードに推奨されるモデルとして、Ultralytics YOLO26が登場しました。

YOLO12は、University at Buffalo、ニューヨーク州立大学（SUNY）、中国科学院大学の研究者によって開発されました。独自の新しいアプローチとして、YOLO12はアテンション機構を導入し、画像全体を均等に処理するのではなく、最も重要な部分にモデルの注意を集中させます。

また、処理を高速化しながらメモリ使用量を抑える手法であるFlashAttentionや、人間が自然に中央の物体へ注意を向ける様子を模倣するよう設計されたエリアアテンション機構も備えています。

これらの改良により、YOLO12nはYOLOv10nより2.1%高精度で、YOLO12mはYOLO11mより1.0%高精度です。ただし、トレードオフもあります。YOLO12nはYOLOv10nより9%遅く、YOLO12mはYOLO11mより3%遅くなります。

図1. YOLO12を物体検出に使用する例。

この記事では、YOLO12の特徴、従来バージョンとの比較、活用できる分野について説明します。

YOLO12のリリースに至るまで#

YOLOモデルシリーズは、リアルタイム物体検出向けに設計されたコンピュータービジョンモデルのコレクションです。つまり、画像や動画内の物体をすばやく識別して位置を特定できます。各バージョンは、速度、精度、効率の面で改良されてきました。

たとえば、2020年にリリースされたUltralytics YOLOv5は、高速で、独自データによるトレーニングやデプロイが容易なことから、広く利用されるようになりました。その後、Ultralytics YOLOv8では、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ービジョンタスクへの対応が追加され、さらに進化しました。

さらに最近では、Ultralytics YOLO11が、速度と精度のバランスを保ちながらリアルタイム処理を向上させることに重点を置きました。たとえば、YOLO11mはYOLOv8mよりパラメーター数が22%少ない一方で、物体検出モデルの評価に広く使われるベンチマークデータセットCOCOで、より優れた検出性能を発揮しました。

こうした進歩を基盤に、YOLO12は視覚情報の処理方法を大きく変えています。画像のすべての部分を均等に扱うのではなく、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す。簡単に言えば、YOLO12はこれまでの改良を引き継ぎながら、より高い精度を目指しています。

YOLO12の主な機能#

YOLO12は、リアルタイム処理速度を維持しながら、コンピュータービジョンタスクを強化する複数の改良を導入しています。YOLO12の主な機能を紹介します。

• アテンション中心のアーキテクチャ: 画像のすべての部分を均等に扱うのではなく、最も重要な領域に注目します。これにより精度が向上し、不要な処理を削減できるため、複雑な画像でもより鮮明かつ効率的に検出できます。
• FlashAttention: YOLO12は、メモリ使用量を抑えながら画像解析を高速化します。メモリ効率に優れたアルゴリズムであるFlashAttentionにより、データ処理を最適化し、ハードウェアへの負荷を軽減して、リアルタイムタスクをよりスムーズかつ安定して実行できます。
• 残差効率的レイヤー集約ネットワーク（R-ELAN）: YOLO12はR-ELANを使用してレイヤーをより効率的に構成し、モデルのデータ処理と学習の方法を改善します。これにより、学習の安定性と物体認識の精度が高まり、計算要件が低下するため、さまざまな環境で効率的に実行できます。

これらの機能が実環境でどのように働くかを理解するために、ショッピングモールを考えてみましょう。YOLO12は、買い物客の追跡、鉢植えや販促サインなどの店舗装飾の識別、置き忘れや放置された品物の検出に役立ちます。

アテンション中心のアーキテクチャによって重要な詳細に注目でき、FlashAttentionによってシステムに過剰な負荷をかけずにすばやく処理できます。そのため、モールの運営者はセキュリティを強化し、店舗レイアウトを整理して、買い物体験全体を向上させやすくなります。

図2. YOLO12を使用したショッピングモール内の物体検出。

ただし、YOLO12には考慮すべき制限もあります。

• トレーニング時間の増加: アーキテクチャの特性上、YOLO12はUltralytics YOLO11よりもトレーニングに時間がかかります。
• エクスポート時の課題: YOLO12モデルのエクスポート、特に特定のデプロイ環境への統合で問題が生じる場合があります。

YOLO12のパフォーマンスベンチマークを理解する#

YOLO12には複数のバリアントがあり、それぞれ異なるニーズに合わせて最適化されています。小型のバージョン（nanoおよびsmall）は速度と効率を重視しており、モバイルデバイスやエッジコンピューティングに適しています。mediumとlargeは速度と精度のバランスを取り、extra largeであるYOLO12xは、産業オートメーション、医用画像処理、高度な監視システムなど、高精度が求められる用途向けに設計されています。

このような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、一部のYOLO12バリアントがYOLOv10やUltralytics YOLO11を精度で上回り、平均適合率（mAP）の向上を達成しています。

ただし、YOLO12m、YOLO12l、YOLO12xなどのモデルは、YOLO11より画像処理が遅く、検出精度と速度の間にトレードオフがあります。それでもYOLO12は効率的で、多くの他モデルよりパラメーター数が少ないものの、YOLO11よりは多くのパラメーターを使用します。そのため、処理速度よりも精度が重要な用途に適しています。

図3. Ultralytics YOLO11とYOLO12の比較。

Ultralytics Pythonパッケージを使用したYOLO12#

YOLO12はUltralytics Pythonパッケージでサポートされており、使いやすいため、初心者から専門家まで利用できます。数行のコードで、事前学習済みモデルを読み込み、画像や動画に対してさまざまなコンピュータービジョンタスクを実行できるほか、独自のデータセットでYOLO12をトレーニングすることもできます。Ultralytics Pythonパッケージにより、複雑なセットアップ手順を省き、プロセスを効率化できます。

たとえば、物体検出にYOLO12を使用する手順は次のとおりです。

• Ultralyticsパッケージをインストールする: まず、YOLO12を効率的に実行するためのツールを提供する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モデルを読み込む: タスクで必要な精度と速度に応じて、適切なYOLO12バリアント（nano、small、medium、large、extra large）を選択します。
• 画像または動画を指定する: 解析する画像ファイル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動画ストリームを処理することもできます。
• 検出プロセスを実行する: モデルが視覚データをスキャンし、物体を識別して、その周囲にバウンディングボックスを配置します。検出した各物体に、予測クラスと信頼度スコアを付与します。
• 検出設定を調整する: 信頼度のしきい値などのパラメーターを変更して、検出精度とパフォーマンスを微調整することもできます。
• 出力を保存または利用する: 物体が検出された処理済みの画像や動画は、保存するか、さらなる解析、自動化、意思決定のためにアプリケーションへ統合できます。

これらの手順により、監視や小売店での追跡から、医用画像処理や自動運転車まで、さまざまな用途でYOLO12を簡単に利用できます。

YOLO12の実用的な活用例#

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、方向付き物体検出（OBB）に対応しているため、さまざまな実世界のアプリケーションで活用できます。ただし、現在公開されている事前学習済み重みは検出用のみです。

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に対応しています。

ただし、前述のとおり、YOLO12モデルは速度より精度を優先するため、従来バージョンより画像処理にやや時間がかかります。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次のような用途に適しています。

• 医療画像: YOLO12は、X線画像やMRI画像の腫瘍や異常を高精度で検出できるようにカスタムトレーニングできるため、診断に正確な画像解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です。
• 製造業における品質管理: 生産工程で製品の欠陥を特定し、高品質な製品だけを市場に出せるようにするとともに、廃棄物を減らして効率を高めるのに役立ちます。
• 法医学的分析: 法執行機関はYOLO12を微調整して、監視映像を解析し、証拠を収集できます。犯罪捜査では、重要な詳細を特定するために高い精度が不可欠です。
• 精密農業: 農家はYOLO12を使用して、作物の健康状態を解析し、病気や害虫の発生を検出し、土壌の状態を監視できます。正確な評価により農業戦略を最適化でき、収穫量や資源管理の改善につながります。

YOLO12を使い始める#

YOLO12を実行する前に、システムが必要な要件を満たしていることを確認してください。

技術的には、YOLO12は専用のGPU（グラフィックス処理装置）があれば実行できます。デフォルトではFlashAttentionを必要としないため、ほとんどのGPUシステムでFlashAttentionなしで動作します。ただし、大規模なデータセットや高解像度画像を扱う場合は、FlashAttentionを有効にすると、処理の遅延を防ぎ、メモリ使用量を削減し、処理効率を向上させるのに特に役立ちます。

FlashAttentionを使用するには、次のいずれかのシリーズのNVIDIA GPUが必要です。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）。

使いやすさとアクセシビリティを考慮し、FlashAttentionはUltralytics Pythonパッケージではオプションとなっており、インストールが技術的にかなり複雑なため、別途コンパイルする必要があります。YOLO12の使い始め方やパフォーマンスの最適化について詳しくは、Ultralytics公式ドキュメントをご覧ください。

重要なポイント#

コンピュータービジョンの進歩に伴い、モデルはより高精度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を用いて、物体検出、インスタンスセグメンテーション、画像分類などのコンピュータービジョンタスクを改善し、メモリ使用量を最適化しながら精度を高めます。

同時に、コンピューター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利用でき、速度より精度を重視しているため、医用画像処理、産業検査、ロボティクスなど、精度が重要な用途に適しています。

AIに興味がありますか？GitHubリポジトリにアクセスして、コミュニティに参加してください。ソリューションページでは、自動運転車におけるAIや農業におけるコンピュータービジョンなど、さまざまな分野のイノベーションをご覧いただけます。ライセンスオプションを確認して、ビジョンAIプロジェクトを実現しましょう。