YOLOv4:高速かつ高精度な物体検出
YOLOv4は、Alexey Bochkovskiy、Chien-Yao Wang、Hong-Yuan Mark Liaoが2020年にAlexeyAB/darknetリポジトリで公開したリアルタイム物体検出器です。速度と精度の最適なバランスを実現するよう設計されています。
YOLOv4アーキテクチャ図。この図は、YOLOv4のバックボーン、ネック、ヘッドの各コンポーネントと、各レイヤーの接続関係を示しています。
はじめに#
YOLOv4は「You Only Look Once version 4」の略です。これは、YOLOv3などの以前のYOLOバージョンや、ほかの物体検出モデルの制約に対処するために開発された、リアルタイムの物体検出モデルです。従来の畳み込みニューラルネットワーク(CNN)ベースの検出器の多くは、レコメンデーションシステムでのみ実用的でしたが、YOLOv4はリアルタイムで高い精度を実現し、スタンドアロンのプロセス管理や人手の削減にも適しています。一般的なグラフィックス処理装置(GPU)上でリアルタイムに動作し、学習に必要なGPUは1基のみのため、大規模な利用でもコストを抑えられます。
アーキテクチャ#
YOLOv4は、性能向上のために複数の手法を組み合わせています。これには、重み付き残差接続 (WRC)、クロスステージ部分接続 (CSP)、クロスミニ-バッチ正規化 (CmBN)、自己敵対的学習 (SAT)、Mish活性化、Mosaic データ拡張、DropBlock 正則化、およびCIoU損失が含まれます。これらの手法により、推論速度を維持しながら精度が向上します。
一般的な物体検出器は、入力、バックボーン、ネック、ヘッドなど、複数の部分で構成されます。バックボーンはImageNetで事前学習され、入力画像から特徴を抽出します。一般的な検出器のバックボーンにはVGG、ResNet、ResNeXt、DenseNetがあり、YOLOv4ではCSPDarknet53を使用します。検出器のネックは、異なる段階から特徴マップを収集するために使われ、通常は複数のボトムアップ経路とトップダウン経路を含みます。ヘッドはこれらの特徴を使って、物体のクラスとバウンディングボックスを予測します。
Bag of Freebies#
YOLOv4では、「bag of freebies」と呼ばれる手法も利用しています。これらは、推論コストを増やすことなく、学習中にモデルの精度を向上させる手法です。データ拡張は物体検出でよく使われるbag-of-freebies手法であり、入力画像の多様性を高めてモデルのロバスト性を向上させます。データ拡張の例として、フォトメトリック変換(画像の明るさ、コントラスト、色相、彩度、ノイズの調整)や幾何学的変換(ランダムな拡大縮小、クロップ、反転、回転の追加)があります。これらの手法により、モデルはさまざまな種類の画像に対して、より適切に汎化できるようになります。
機能とパフォーマンス#
YOLOv4は、物体検出における速度と精度を最適化するよう設計されています。YOLOv4のアーキテクチャでは、バックボーンにCSPDarknet53、ネックにPANet、検出ヘッドにYOLOv3を採用しています。この設計により、YOLOv4はリアルタイムアプリケーションに十分な速度で動作し、リリース時にはCOCOなどの物体検出ベンチマークで最高水準の精度を達成しました。
YOLOv5やYOLOv7など、YOLOファミリーのほかのモデルと比較しても、YOLOv4は速度と精度のバランスを示す基準であり続けています。新しいモデルはより高い精度とシンプルなデプロイを実現していますが、YOLOv4のアーキテクチャ上の革新は、リアルタイム性能が求められるアプリケーションにおいて今も重要です。
使用例#
YOLOv4はDarknetベースのモデルであり、Ultralytics Pythonパッケージではネイティブにサポートされていません。ultralytics/assetsで公開されている事前トレーニング済み重みyolov4.ptも、YAMLファイルultralytics/cfg/models/v4/もありません。このページはアーキテクチャの参考情報として掲載しています。YOLOv4の実行を検討している場合は、インストール方法と使用方法について、YOLOv4のGitHubリポジトリを直接参照してください。
YOLOv4を使用する際の一般的な手順を簡単に紹介します。
-
YOLOv4のGitHubリポジトリhttps://github.com/AlexeyAB/darknetをご覧ください。
-
READMEファイルに記載されたインストール手順に従ってください。通常は、リポジトリのクローン、必要な依存関係のインストール、必要な環境変数の設定を行います。
-
インストールが完了したら、リポジトリに記載された使用方法に従ってモデルをトレーニングし、使用できます。通常は、データセットの準備、モデルパラメーターの設定、モデルのトレーニングを行い、その後、トレーニング済みモデルを使用して物体を検出します。
正確な手順はユースケースとYOLOv4リポジトリの現在の状態によって異なるため、YOLOv4のGitHubリポジトリに記載されている手順に従ってください。
Ultralyticsフレームワーク内で学習と推論を行うには、YOLO26またはYOLO11を使用してください。
結論#
YOLOv4は、速度と精度のバランスに優れた効率的な物体検出モデルです。アーキテクチャの選択とbag-of-freebies学習手法により、リアルタイム物体検出タスクで優れた性能を発揮します。一般的なGPUがあれば誰でもYOLOv4を学習して使用でき、監視システム、自動運転車、産業オートメーションなど、幅広いアプリケーションで利用できます。
プロジェクトに物体検出を導入する場合、特にリアルタイム性能を優先する用途では、YOLOv4は今も有力な選択肢です。Ultralyticsは現在、YOLO26やYOLO11などの新しいYOLOバージョンのサポートに注力していますが、YOLOv4で導入されたアーキテクチャ上の革新は、後続モデルの開発にも影響を与えています。
引用と謝辞#
リアルタイム物体検出分野への多大な貢献に対し、YOLOv4の著者に謝意を表します。
@misc{bochkovskiy2020yolov4,
title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
year={2020},
eprint={2004.10934},
archivePrefix={arXiv},
primaryClass={cs.CV}
}YOLOv4の原著論文はarXivでご覧いただけます。著者は研究成果を公開しており、コードベースはGitHubからアクセスできます。この分野の発展に貢献し、研究成果を幅広いコミュニティに公開した著者の取り組みに感謝します。
よくある質問#
「You Only Look Once version 4」の略であるYOLOv4は、Alexey Bochkovskiyらが2020年に開発したリアルタイム物体検出モデルです。速度と精度のバランスに優れ、リアルタイムアプリケーションに適しています。YOLOv4のアーキテクチャには、Weighted-Residual-Connections(WRC)、Cross-Stage-Partial-connections(CSP)、Self-adversarial-training(SAT)などの手法が取り入れられ、これらを組み合わせてリリース時に最高水準の結果を達成しました。YOLOv4は一般的なGPU 1基で効率よく動作します。Ultralyticsパッケージを使ったネイティブな学習とデプロイには、YOLO26を使用してください。
YOLOv4のアーキテクチャには、バックボーン、ネック、ヘッドという主要なコンポーネントが含まれます。バックボーンのCSPDarknet53はImageNetで事前学習され、特徴を抽出します。PANetを使用するネックは、異なる段階の特徴マップを集約します。最後に、YOLOv3に基づくヘッドが物体のクラスとバウンディングボックスを予測します。YOLOv4では、モザイクデータ拡張やDropBlock正則化などの「bag of freebies」手法も採用し、速度と精度をさらに最適化しています。
「Bag of freebies」とは、推論コストを増やすことなくYOLOv4のトレーニング精度を向上させる手法を指します。これらの手法には、明るさやコントラストなどを調整するフォトメトリック変換や、拡大縮小、クロップ、反転、回転などの幾何学的変換といった、さまざまなデータ拡張が含まれます。入力画像の多様性を高めることで、YOLOv4はさまざまな種類の画像に対して汎化しやすくなり、リアルタイム性能を損なわずにロバスト性と精度を向上させます。
YOLOv4は、リアルタイム物体検出における速度と精度の両方を最適化するよう設計されています。学習と推論のどちらも一般的なGPU 1基で実行できるため、ハードウェアコストを削減し、レコメンデーションシステムからスタンドアロンのプロセス管理まで、幅広い用途で実用的です。
YOLOv4を使い始めるには、公式のYOLOv4 GitHubリポジトリをご覧ください。READMEファイルに記載されたインストール手順に従ってください。通常は、リポジトリのクローン、依存関係のインストール、環境変数の設定を行います。インストール後、データセットを準備し、モデルパラメーターを設定して、記載された使用手順に従うことでモデルをトレーニングできます。現在UltralyticsはYOLOv4をサポートしていないため、最新かつ詳細なガイダンスについては、YOLOv4のGitHubを直接参照することを推奨します。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。