グリーンチェック
クリップボードにコピーされたリンク

画像分類のためのUltralytics YOLO11 の使い方

新しいUltralytics YOLO11 モデルがどのように画像分類を向上させ、農業、小売業、野生動物のモニタリングなどの作業でより高い精度を提供するかをご覧ください。

例えば、ロボットが2匹の猫を見ているとしよう。そのためには、画像分類を使用することができる。画像分類は、画像内の物体やシーンを識別し、分類するのに役立つコンピューター・ビジョン・タスクである。実際、近年の人工知能(AI)の進歩のおかげで、画像分類は 動物のモニタリングから製造業、農作物の病気検出といった農業に至るまで、幅広い用途で使用できるようになった。

画像分類における最新の進歩のひとつに、Ultralytics YOLO11 モデルがある。Ultralytics'年次ハイブリッド・イベントYOLO Vision 2024 (YV24)で発表された、 YOLO11は、画像分類を含む様々なVision AIタスクに簡単かつ正確に取り組むように設計されている。

この記事では、画像分類の基本を探り、実際のアプリケーションについて説明し、画像分類のために YOLO11Ultralytics Python を使って 画像分類を行う方法を紹介します。また、YOLO11の機能を、Ultralytics HUB 上で、いくつかの簡単なステップで試すことができる方法も紹介します。さっそく始めましょう!

図1.Ultralytics YOLO11 を使ってペルシャ猫を分類した例。

画像分類とは?

画像分類は、以前にラベル付けされた画像から学習したパターンに基づいて、画像にラベルやタグを割り当てることで機能する。画像のピクセルを注意深く分析することで、コンピュータ・ビジョンのモデルは画像に最適なものを見つけることができる。のような信頼性の高いモデルは、このプロセスをシームレスに処理することができます。 YOLO11は、このプロセスをシームレスに処理することができます。YOLO11'sのモデルアーキテクチャは、画像やビデオフレームをほぼ瞬時に処理することを可能にし、高速で正確な画像分類を必要とするアプリケーションに最適です。

画像分類の範囲を真に理解するには、オブジェクト検出のような他のタスクと区別することが役立ちます。画像分類が画像全体にラベルを付けるのに対し、物体検出は画像内の各物体を識別し、位置を特定する。 

図2.画像分類、物体検出、画像分割の比較。

キリンの画像を考えてみよう。画像分類では、モデルはその全体的な内容に基づいて、画像全体を単にキリンとラベル付けするかもしれない。しかし、物体検出では、モデルはキリンを識別するだけでなく、キリンの周囲にバウンディングボックスを配置し、画像内の正確な位置を特定します。

さて、キリンが他の動物たちと一緒にサバンナの木の近くに立っているとしよう。画像分類モデルでは、シーン全体をサバンナとラベル付けするか、あるいは野生動物だけとラベル付けするかもしれない。しかし、物体検出を使えば、モデルは各要素を個別に識別し、キリン、木、他の動物、それぞれのバウンディングボックスを認識する。

YOLO11 画像分類アプリケーション

画像分類のためのUltralytics YOLO11 モデルの精度と性能は、幅広い産業で有用です。画像分類におけるYOLO11 の主な応用例をいくつか見てみよう。

YOLO11 農業における画像分類

画像分類は、農業や農作業における多くの機能の効率化に役立つ。具体的には、YOLO11 のような画像分類モデルを使用することで、農家は作物の健康状態を常に監視し、深刻な病気を検出し、害虫の発生を高い精度で特定することができる。 

これがどのように機能するのかを紹介しよう:

  • 画像キャプチャカメラやドローンなどの モノのインターネット(IoT)デバイスを 導入することで、畑のさまざまな角度や場所から作物の画像をリアルタイムで撮影することができる。
  • 処理:利用可能なリソースと接続性に応じて、画像はエッジコンピューティングを通じてオンサイトで処理することも、より集中的な分析のためにクラウドにアップロードすることもできる。
  • YOLO11 による画像分類:YOLO11 モデルは、これらの画像を分析して、さまざまな作物の状態を分類することができる。一般的な分類には、健康、病気、害虫、栄養不足などがあり、圃場の異なる領域に影響を及ぼす特定の問題を特定するのに役立つ。
  • 洞察の生成:分類に基づき、YOLO11 、作物の健康指標に関する洞察を提供し、農家が病気の初期兆候を検出したり、害虫のホットスポットを特定したり、栄養不足を発見したりするのに役立つ
  • 情報に基づく意思決定:このような洞察により、農家は灌漑、施肥、害虫駆除について的を絞った決定を下すことができ、最も必要な場所にのみ資源を投入することができる。
図3.健康な葉から感染した葉まで、さまざまなクラスの葉の例。

YOLO11 小売業における画像分類

画像分類は、小売店のショッピング体験を大幅に改善し、よりパーソナライズされたユーザーフレンドリーなものにします。小売業者はカスタムトレーニングされたコンピュータビジョンモデルを使用して在庫の商品を認識し、この機能をモバイルアプリやウェブサイトに統合することができます。顧客は写真をアップロードするだけで商品を検索できるため、買い物がより迅速かつ便利になる。

顧客がビジュアル検索システムに画像をアップロードすると、検索結果が表示されるまでにいくつかのことが舞台裏で起こります。 

まず、物体検出を使用して、衣服や家具の一部を識別し、背景から分離するなど、画像内の主要なアイテムを選び出すことができる。次に、画像分類を使用して、各アイテムをさらに分類し、それがジャケットなのか、シャツなのか、ソファなのか、テーブルなのかを認識することができる。 

この情報により、システムは購入可能な類似商品を引き出すことができ、言葉だけでは説明しにくいユニークな商品や流行の商品を見つけるのに特に役立つ。同じ技術は、商品を自動的に認識し分類することで、在庫管理など他の小売業務の効率化にも役立つ。

図4.画像分類に基づく視覚的検索プラットフォームの動作。

YOLO11 画像分類による野生動物のモニタリング

従来、野生の動物を監視するのは、何千枚もの写真を何人もの人間が手作業で分類・分析する面倒な作業だった。YOLO11 のようなコンピュータ・ビジョン・モードを使えば、研究者はより速いスピードで自動的に動物を監視することができる。自然の生息地にカメラを設置して写真を撮ることができる。そして、ビジョンAIモデルを使ってこれらの写真を分析し、(もしいれば)その中の動物を分類することができる。このようなシステムは、研究者が動物の個体数や移動パターンなどを調査・追跡するのに役立つ。

YOLO11 のようなAIやコンピューター・ビジョンのモデルがこの分野で役立つもうひとつの方法は、絶滅危惧種を分類するプロセスを合理化することだ。動物が属する可能性のある種や品種のカテゴリーを特定することで、これらのモデルは研究者にとって不可欠なデータを提供することができる。たとえば、タスマニア大学(UTAS)は、タスマニアのさまざまな野生動物を監視するために、画像分類ベースのシステムを開発した。モデルからの予測は、科学者や研究者が動物の活動や行動を監視するのに役立ち、密猟や生息地の喪失などの脅威を知らせる可能性がある。 

図5.YOLO11 犬が属する可能性のある品種を予測する。

YOLO11 モデルで画像分類を試す

さて、画像分類とは何かについて説明し、その応用例をいくつか探りました。新しいYOLO11 モデルを使って画像分類を試す方法を見てみましょう。Ultralytics Python パッケージを使うか、Ultralytics HUBを使うかです。両方の方法について説明しよう。

を使った推論の実行YOLO11

Ultralytics Python パッケージを使い始めるには、pip、conda、またはDockerを使用してインストールするだけです。何か問題が発生した場合は、トラブルシューティングに役立つヒントが満載の「よくある問題ガイド」をご覧ください。

パッケージがインストールされると、以下のコードを使って、YOLO11 画像分類モデルの変種をロードし、画像に対して推論を実行することができます。推論を実行するということは、新しい未知のデータに対して予測を行うために学習済みモデルを使うということです。お好きな画像で試してみてください!

図6.YOLO11 モデルを使った推論の実行。

カスタムYOLO11 分類モデルのトレーニング

また、同じPython パッケージを使用して、カスタムYOLO11 分類モデルをトレーニングすることもできます。カスタム学習によって、YOLO11 モデルを特定のニーズに合わせて 微調整することができます。例えば、異なる猫種を分類するアプリを開発している場合、その目的のためだけにYOLO11 モデルをカスタムトレーニングすることができます。

以下のコードは、YOLO11 画像分類モデルをロードしてトレーニングする方法を示しています。このコードでは、あらかじめ訓練された重みを転送することができ、既存のモデルの知識を使って、あなた自身のモデルの性能を向上させることができます。fashion-mnist "データセットのように、データセットを指定することができます。このデータセットは、衣類(シャツ、ズボン、靴など)のグレースケール画像からなる有名なセットです。このデータセットでモデルをトレーニングすることで、さまざまな衣類のカテゴリーを認識できるようになる。fashion-mnist」を、猫の品種や植物の種類など、あなたのプロジェクトに合った任意のデータセットに置き換えることができます。

図7.画像分類のためのYOLO11 モデルのカスタムトレーニング。

Ultralytics HUBでYOLO11 。

Ultralytics パッケージの使用は簡単ですが、Python の知識が必要です。もっと初心者にやさしいオプションをお探しなら、Ultralytics HUB をご利用ください。 HUB は、さまざまなYOLO モデルのトレーニングやデプロイを簡単かつアクセスしやすくするために設計されたプラットフォームです。始めるには、アカウントを作成する必要がある。

ログインしたら、「モデル」セクションに移動し、画像分類のためにYOLO11 モデルを選択します。nano、small、medium、large、extra-largeの各モデルのサイズが表示されます。モデルを選択した後、「プレビュー」セクションで画像をアップロードできます。画像が処理されると、ページの左側に予測が表示されます。

図8.Ultralytics HUBを使って推論を実行する。

要点

YOLO11 は、さまざまな業界に新たな可能性を開く強力な画像分類機能を提供します。農業における作物モニタリングの改善、小売業における商品検索の強化から野生動物保護のサポートまで、YOLO11のスピードと精度は、多様なアプリケーションに理想的です。Ultralytics Python パッケージによるカスタムトレーニングや、Ultralytics HUBでのユーザーフレンドリーでコード不要のセットアップなどのオプションにより、ユーザーはワークフローにYOLO11 を簡単に組み込むことができる。AIソリューションを採用する業界が増える中、YOLO11 、イノベーションと実用的な進歩をサポートする柔軟で高性能なツールを提供する。

GitHubリポジトリにアクセスし、私たちのコミュニティに参加してください。自動運転車や ヘルスケアにおけるAIアプリケーションについては、ソリューションページをご覧ください。🚀

Facebookのロゴツイッターのロゴリンクトインのロゴコピー・リンク・シンボル

このカテゴリの続きを読む

AIの未来
を一緒に作りましょう!

機械学習の未来への旅を始めよう