インスタンスのセグメンテーションにUltralytics YOLO11 を使う方法

人工知能（AI）の一分野であるコンピュータビジョンは、機械が視覚情報を解釈し理解するのを助けるもので、インスタンスセグメンテーションのようなタスクを可能にする。インスタンス・セグメンテーションは 、画像やビデオ・フレームを解析して、同じ種類のオブジェクトが複数存在する場合でも、画像内の各個別のオブジェクトの正確な境界をマークするために使用できる。インスタンス・セグメンテーションは精度が高いため、自動運転車が 道路上の障害物を検出するのに役立ったり、医療用スキャンで 腫瘍を特定したりと、幅広い用途がある。

長年にわたり、インスタンスのセグメンテーションは大きく進化してきた。最近の発展は、Ultralytics'年次ハイブリッドイベント、YOLO Vision 2024 (YV24)で紹介された。 Ultralytics YOLO11モデルという形で紹介された。新しいモデルは、インスタンスセグメンテーションを含むコンピュータビジョンタスクをサポートしています。 Ultralytics YOLOv8モデルをサポートしているため、以前のバージョンに慣れ親しんだユーザーは、新しいモデルをシームレスに採用することができます。

‍

この記事では、インスタンスセグメンテーションと、セマンティックセグメンテーションのような他のコンピュータビジョンタスクとの違いについて説明し、その応用例についても説明します。また、Ultralytics Python パッケージと Ultralytics HUB プラットフォームを使用して、YOLO11 インスタンスセグメンテーションモデルを使用する方法についても説明します。さっそく始めましょう！

インスタンス・セグメンテーションとは？

インスタンス・セグメンテーションは、画像内のオブジェクトを識別し、ピクセル・レベルでアウトライン化するために使用できる。この処理では通常、まずオブジェクトを検出し、その周囲にバウンディングボックスを描く。次に、セグメンテーションアルゴリズムがバウンディングボックス内の各ピクセルを分類し、各オブジェクトの正確なマスクを作成する。

インスタンスセグメンテーションは、セマンティックセグメンテーションやパノプティックセグメンテーションのようなタスクとも異なる。セマンティックセグメンテーションは、オブジェクトの一般的なカテゴリに基づいて各ピクセルをラベリングします。一方、パノプティックセグメンテーションは、インスタンスセグメンテーションとセマンティックセグメンテーションの両方を組み合わせ、各ピクセルをクラスとインスタンス ID の両方でラベル付けし、各カテゴリー内の個々のオブジェクトを識別します。

‍

インスタンス・セグメンテーションの機能は、さまざまなシナリオに適用することができる。例えば、軽量なモデルはモバイルアプリケーションのリアルタイム処理に最適かもしれないし、より複雑なモデルは製造業の品質管理のような高精度のタスクに使用できるかもしれない。

以前のモデルと同様に YOLO11インスタンス・セグメンテーション・モデルにも、ニーズに応じていくつかのバリエーションがある。これらのバリエーションには、YOLO11n-seg（Nano）、YOLO11s-seg（Small）、YOLO11m-seg（Medium）、YOLO11l-seg（Large）、YOLO11x-seg（Extra Large）があります。これらのモデルは、そのサイズ、処理速度、精度、必要な計算能力などの点で異なります。お客様の具体的な要件に基づいて、用途に最も適したモデルをお選びいただけます。

インスタンス・セグメンテーションYOLO11

YOLO11 の高度なインスタンス・セグメンテーション機能は、様々な業界において幅広いアプリケーションを提供する。これらのアプリケーションのいくつかを詳しく見てみよう。

YOLO11 石油・ガス産業におけるセグメンテーションの活用

石油とガスの採掘には、非常に高い圧力の変動を管理する必要がある。ガスフレアのような技術は、石油採掘中に発生する天然ガスを燃やすのに役立つ。これは安全上の理由から必要なことである。例えば、原油の採掘では、突然または大幅な圧力の急上昇が爆発につながる可能性がある。まれなことではあるが、石油・ガス製造部門における産業事故は、封じ込めや制御が困難な激しい火災を引き起こす可能性がある。ガスフレアは、余分なガスを燃焼させることで、設備を安全に減圧し、予測できない大きな圧力変動を管理するのに役立ちます。

AIシステムはこの監視プロセスを改善することができ、インスタンス・セグメンテーション・ベースのフレア監視システムを使用することで、事故のリスクを減らすことができる。フレアリングが多すぎると環境に悪影響を与えるため、ガスフレアの監視は環境上の理由からも重要である。 

Ultralytics YOLO11 インスタンス分割モデルは、フレアリングによる火災と煙の量を監視するために使用できる。検出されセグメント化されたフレアと煙のピクセル面積を計算することができます。この情報を使用することで、オペレーターはフレアリングによって引き起こされるフレアと煙についてリアルタイムで洞察することができ、事故や環境への悪影響を防ぐことができます。 

‍

プラスチック廃棄物管理のためのYOLO11 を用いたインスタンス分割 

廃棄物管理施設やリサイクル施設の作業員は、YOLO11 インスタンス・セグメンテーション・ベースのシステムを使用して、プラスチック廃棄物を識別することができる。YOLO11 をロボット選別システムと統合することで、段ボールやプラスチック（別々に処理される）などの異なる廃棄物を正確に識別することができる。世界的に発生する70億トンのプラスチック廃棄物のうち、リサイクルされるのはわずか10％程度であることを考えると、これは特に重要である。

プラスチック廃棄物の識別と選別を自動化することで、作業員が手作業で選別する従来の方法に比べ、所要時間が大幅に短縮される。コンピュータ・ビジョンのモデルは、ラップや袋のような柔らかいプラスチックのセグメンテーションも可能です。YOLO11 モデルは、異なる種類のプラスチックをセグメンテーションするようにカスタム・トレーニングすることもできます。YOLO11 モデルのカスタムトレーニング方法については、次のセクションで詳しく説明します。

‍

YOLO11 自律走行車におけるセグメンテーション

インスタンス・セグメンテーションのもうひとつの興味深い使用例は、自律走行車である。YOLO11 、ピクセル・レベルで物体を正確に認識することで、自動運転車は乗客の安全性と道路上の他の人の安全性を向上させることができる。自動車に搭載されたカメラシステムは、周囲の画像をキャプチャし、YOLO11 とインスタンス・セグメンテーションを使用して分析することができる。画像内の各オブジェクト（歩行者、信号機、他の車両など）がセグメント化され、ラベルが付与される。このような精度の高さにより、自律走行車は周囲のあらゆる物体を識別できるようになる。 

‍

YOLO11 モデルでインスタンスのセグメンテーションを試す

インスタンス・セグメンテーションについて説明し、その応用例について説明したところで、Ultralytics YOLO11 モデルを使って、インスタンス・セグメンテーションを試してみよう。 

これには2つの方法がある。Ultralytics Python パッケージを使うか、Ultralytics HUBを使うかだ。まずはPython 。

を使った推論の実行YOLO11

推論を実行するには、モデルを使用して、以前に見たことのない新しいデータを分析する。YOLO11 インスタンス・セグメンテーション・モデルを使った推論をコードで実行するには、pip、conda、または docker を使ってUltralytics Python パッケージをインストールする必要がある。インストール中に問題が発生した場合は、トラブルシューティングのための「よくある問題ガイド」を参照してください。パッケージがインストールされたら、以下に示すコードを実行して、YOLO11 インスタンス・セグメンテーション・モデルをロードし、イメージ上で予測を実行することができる。

‍

カスタムYOLO11 モデルのトレーニング

同じコードのセットアップで、YOLO11 のカスタムモデルをトレーニングすることもできます。YOLO11 モデルを微調整することで、特定のプロジェクト要件をよりよく満たすモデルのカスタムバージョンを作成することができます。例えば、小売業者はカスタムモデルを使用して、顧客の身体的特徴を正確にセグメント化し、適切にフィットする服を推奨することができます。以下のコードスニペットは、インスタンスのセグメンテーションのためにYOLO11 モデルをロードして学習する方法を示しています。効果的なセグメンテーションを実現するために、YAML 設定や事前に学習したモデルから始めて、重みを転送し、COCO のようなデータセットで学習することができます。 

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

完了すると、特定のアプリケーションのためにカスタム・モデルを使用して推論を実行することができます。エクスポート・オプションを使えば、カスタム・モデルを別のフォーマットにエクスポートすることもできます。

YOLO11 Ultralytics HUBでのインスタンス分割

ここまで、YOLO11 インスタンス・セグメンテーション・モデルのコードによる推論とカスタム・トレーニングの実行について見てきたが、コードなしの代替手段であるUltralytics HUBを見てみよう。Ultralytics HUBは直感的なVision AIプラットフォームで、YOLO11 インスタンス・セグメンテーション・モデルを含むYOLO モデルのトレーニングとデプロイのプロセスを簡素化する。 

画像の推論を実行するには、アカウントを作成し、「Models」セクションに移動して、YOLO11 インスタンス・セグメンテーション・モデルのバリアントを選択するだけです。以下のように、画像をアップロードして、プレビューセクションで予測結果を見ることができます。

‍

要点

YOLO11 は、信頼性の高いインスタンス・セグメンテーション機能を提供し、さまざまな産業における可能性を広げます。自律走行車の安全性向上や、石油・ガスセクターにおけるガスフレアの監視から、リサイクル施設における廃棄物分別の自動化まで、YOLO11のピクセルレベルの精度は、複雑なセグメンテーションタスクに理想的です。 

Ultralytics Python パッケージによるカスタム・トレーニングや、Ultralytics HUB によるノーコード・セットアップのオプションにより、ユーザーはYOLO11 をワークフローにシームレスに統合することができる。産業用アプリケーション、ヘルスケア、小売、環境モニタリングのいずれにおいても、YOLO11 は、多様なセグメンテーションのニーズを満たす柔軟性と精度を提供します。

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 農業における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。🚀