アクション認識

動作認識（HAR：Human Activity Recognition）は、コンピュータビジョン（CV）の動的サブ分野であり、動画データ内の被写体が示す特定の行動や動きを識別・分類することを扱う。従来の物体検出が「画像内に何が写っているか？」という問いに答えるのに対し、動作認識はより複雑な「時間経過とともに何が起きているか？」という問いに取り組む。 静止画ではなく連続するフレームを分析することで、機械学習（ML）モデルは「歩行」「自転車走行」「転倒」「握手」といった複雑な活動を区別でき、人間の意図や文脈を理解する知能システム構築の重要な要素となる。

中核概念と技術

行動を認識するには、空間情報（物体や人物の外観）と時間情報（時間軸上の動き）の両方を処理するモデルが必要である。これを実現するため、現代の人工知能（AI）システムは、標準的な畳み込みニューラルネットワーク（CNN）を超える特殊なアーキテクチャを採用することが多い。

• 姿勢推定： モデルが肘、膝、肩など人体上の特定のキーポイントを 追跡する強力な手法。これらのキーポイントの時間経過に伴う幾何学的変化は、 背景の雑音に依存せず動作分類のための強力な信号を提供する。
• 時系列モデリング：アルゴリズムは 再帰型ニューラルネットワーク（RNN）や 長短期記憶（LSTM）ネットワークといった構造を利用し、過去のフレームを記憶して将来の動作を予測する。近年では、 ビデオストリームにおける長距離依存性を処理できる能力から ビデオトランスフォーマーが注目を集めている。
• 二流ネットワーク：この手法は空間特徴（RGBフレーム）と時間特徴（多くの場合オプティカルフローを使用）を並列ストリームで処理し、データを融合して最終的な分類を行う。

実際のアプリケーション

人間の動きを自動的に解釈する能力は、様々な産業において変革をもたらす可能性を秘めており、 安全性、効率性、ユーザー体験を向上させます。

• 医療におけるAI：動作認識は患者モニタリングシステムに不可欠である。例えば、介護施設における自動転倒検知を可能にし、患者が倒れた場合に直ちにスタッフに警告を発する。また遠隔物理リハビリテーションにも活用され、AIコーチが患者の運動フォームを分析し、動作が正しく安全に行われるよう確保する。
• スマート監視とセキュリティ：単純な動き検知を超え、高度なセキュリティシステムは 行動認識技術を用いて、喧嘩、万引き、不正侵入などの不審な行動を特定し、 無害な活動は無視します。これにより誤報が減少し、 リアルタイムのセキュリティ監視が向上します。

Ultralyticsによるアクション分析の実装

一般的なワークフローでは、まず人物とその骨格姿勢を検出し、その後それらの関節の動きを分析します。 Ultralytics モデルは、多くの動作認識パイプラインの基盤となる初期姿勢推定ステップにおいて、 最先端の速度と精度を提供します。

以下の例は、Python動画フレームから骨格キーポイントを抽出する方法を示しています：

from ultralytics import YOLO

# Load the YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image to detect person keypoints
results = model("https://ultralytics.com/images/bus.jpg")

# Process results
for result in results:
    # Access the keypoints (x, y, visibility)
    if result.keypoints is not None:
        print(f"Detected keypoints shape: {result.keypoints.data.shape}")

関連用語の区別

動作認識を類似のコンピュータビジョン課題と区別することは、適切な手法を適用するために重要である。

• 動作認識と 物体追跡の比較： 物体追跡は、特定の物体や人物がフレーム間を移動する際にその同一性を維持することに焦点を当てる（例： 「人物Aは座標Xに位置している」）。動作認識は、追跡対象の行動を解釈する（例： 「人物Aは走っている」）。
• 動作認識と 映像理解： 動作認識が特定の身体的行為を識別するのに対し、映像理解はより広範な概念であり、映像シーン内の物語全体、文脈、因果関係の理解を含む。

課題と今後の動向

堅牢な動作認識モデルの開発には課題があり、特にKinetics-400やUCF101のような大規模なアノテーション付き動画データセットが必要となる点が挙げられる。動画データのラベリングは静止画のラベリングに比べて大幅に時間を要する。この課題に対処するため、Ultralytics のようなツールがアノテーションとトレーニングのワークフロー効率化を支援する。

さらに、計算効率が極めて重要である。高解像度動画をリアルタイムで処理するには膨大なハードウェアリソースが必要となる。業界ではエッジAIへの移行が進み、カメラやモバイル端末上で直接動作するモデルを最適化することで、遅延と帯域幅の使用量を削減している。今後の進歩ではモデルの汎化能力向上を目指し、明示的に訓練されていない視点からの動作認識を可能にする。