最新のコンピュータビジョンモデルであるYOLO12をご覧ください。そのアテンション中心のアーキテクチャとFlashAttentionテクノロジーが、業界全体の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す。
コンピュータビジョンは、人工知能（AI）の一分野であり、機械が画像や動画を理解するのに役立ちます。AIの研究者や開発者が常に限界を押し広げているため、驚異的なペース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、よりスマートに、より効率的にすることを目指しています。最新のブレークスルーの1つは、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版であるYOLO12です。
YOLO12は、バッファロー大学、ニューヨーク州立大学（SUNY）、および中国科学院大学の研究者によって開発されました。YOLO12は、新しい独自のアプローチで、注意メカニズムを導入し、モデルがすべてを平等に処理するのではなく、画像の最も重要な部分に焦点を当てることができるようにします。
また、FlashAttentionという、メモリの使用量を減らしながら処理を高速化する技術と、人間が自然に中心的なオブジェクトに焦点を当てる方法を模倣するように設計されたarea attentionメカニズムも備えています。
これらの改善により、YOLO12nはYOLOv10nよりも2.1%精度が高く、YOLO12mはYOLO11mよりも+1.0%精度が高くなっています。ただし、これにはトレードオフがあり、YOLO12nはYOLOv10nよりも9%遅く、YOLO12mはYOLO11mよりも3%遅くなっています。
この記事では、YOLO12は何が違うのか、以前のバージョンと比較してどうなのか、そしてどこに適用できるのかについて解説します。
YOLOモデルシリーズは、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、画像やビデオ内の物体を迅速に識別して位置を特定できます。時間の経過とともに、各バージョンは速度、精度、効率の点で改善されています。
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とデプロイが容易であったため、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のような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、これを改善しました。
ごく最近では、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重点を置いています。たとえば、YOLO11mはYOLOv8mよりもパラメータが22%少ないにもかかわらず、オブジェクト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、より優れた検出パフォーマンスを提供しました。
これらの進歩に基づいて、YOLO12は視覚情報の処理方法に変化をもたらします。画像全体を均等に扱うのではなく、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す。簡単に言えば、YOLO12は以前の改善点を基に、より正確になることを目指しています。
YOLO12は、リアルタイム処理速度を維持しながら、コンピュータビジョンタスクを強化するいくつかの改善を導入しています。YOLO12の主な機能の概要を以下に示します。
これらの機能が実際に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、および置き忘れられたり、放置されたアイテムを見つけるのに役立ちます。
そのアテンション機構を中心としたアーキテクチャは、最も重要な詳細に焦点を当てるのに役立ち、FlashAttentionはシステムに過負荷をかけることなく、すべてを迅速に処理することを保証します。これにより、ショッピングモールの運営者は、セキュリティの向上、店舗レイアウトの整理、ショッピング体験全体の向上を容易に行うことができます。
ただし、YOLO12には考慮すべきいくつかの制限事項もあります。
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。小型バージョン（nanoおよび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。ミディアムおよびラージバージョンは、速度と精度のバランスを取りますが、YOLO12x（extra large）は、産業オートメーション、医療イメージング、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提供します。ベンチマークテストでは、YOLO12の特定のバリアントが、より高い平均適合率（mAP）を達成し、YOLOv10およびYOLO11よりも優れた精度を示すことがわかっています。
しかし、YOLO12m、YOLO12l、YOLO12xなどの一部のモデルは、YOLO11よりも画像の処理が遅く、検出精度と速度の間にトレードオフがあることを示しています。それにもかかわらず、YOLO12は効率的であり、他の多くのモデルよりも少ないパラメータしか必要としませんが、YOLO11よりも多くのパラメータを使用します。これにより、生の速度よりも精度が重要なアプリケーションに最適です。
YOLO12は、Ultralytics Pythonパッケージでサポートされており、使いやすく、初心者とプロの両方がアクセスできます。数行のコードだけで、ユーザーは事前トレーニング済みのモデルをロードし、画像やビデオ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パッケージ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排除します。
例えば、YOLO12を物体検出に使用するための手順は次のとおりです。
これらのステップにより、YOLO12は、監視や小売追跡から、医療画像処理や自動運転車まで、さまざまなアプリケーションで簡単に使用できます。
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Oriented Object Detection（OBB）のサポートのおかげで、さまざまな実際のアプリケーションで使用できます。
しかし、前述したように、YOLO12モデルは速度よりも精度を優先するため、以前のバージョンと比較して画像の処理にわずかに時間がかかります。このトレードオフにより、YOLO12は、以下のようなリアルタイム速度よりも精度が重要なアプリケーションに最適です。
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することが重要です。
技術的には、YOLO12は専用のGPU（Graphics Processing Unit）であれば、どれでも実行できます。デフォルトではFlashAttentionを必要としないため、ほとんどのGPUシステムで動作可能です。ただし、FlashAttentionを有効にすると、大規模なデータセットや高解像度の画像を扱う際に、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上で特に有効です。
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）シリーズのNVIDIA GPUが必要です。
ユーザビリティとアクセシビリティを考慮して、Ultralytics Pythonパッケージは、FlashAttentionのインストールが技術的に非常に複雑であるため、まだFlashAttention推論をサポートしていません。YOLOv8を使い始め、そのパフォーマンスを最適化する方法の詳細については、Ultralyticsの公式ドキュメントをご覧ください。
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、注意集中型処理とFlashAttentionにより、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、コンピュータビジョンはこれまで以上にアクセスしやすくなっています。Ultralytics Pythonパッケージを通じてYOLO12を簡単に使用でき、速度よりも精度を重視しているため、医療画像処理、産業検査、ロボット工学など、精度が重要なアプリケーションに適しています。
AIにご興味がありますか？GitHubリポジトリにアクセスして、コミュニティにご参加ください。ソリューションページで、自動運転車におけるAIや農業におけるコンピュータビジョンなどの分野のイノベーションをご覧ください。ライセンスオプションをチェックして、Vision AIプロジェクトを実現しましょう。🚀
