Ultralytics YOLO11 タスク
YOLO11は、複数のコンピュータ・ビジョン ・タスクをサポートするAIフレームワークである。このフレームワークは、検出、セグメンテーション、obb、分類、および姿勢推定を実行するために使用できる。これらのタスクは、それぞれ異なる目的とユースケースを持っている。
見るんだ： Ultralytics YOLO タスクの探索： 物体検出セグメンテーション、OBB、トラッキング、姿勢推定。
検出
検出は、YOLO11がサポートする主要なタスクである。これは、画像またはビデオフレーム内のオブジェクトを検出し、それらの周りにバウンディングボックスを描画することを含む。検出されたオブジェクトは、その特徴に基づいてさまざまなカテゴリに分類される。YOLO11は、1つの画像やビデオフレームから複数の物体を高精度かつ高速に検出することができる。
セグメンテーション
セグメンテーションとは、画像の内容に基づいて、画像を異なる領域に分割する作業である。各領域には、その内容に基づいてラベルが割り当てられる。このタスクは、画像のセグメンテーションや医療用画像処理などの用途に有用である。YOLO11は、セグメンテーションを実行するために、U-Netアーキテクチャの変形を使用している。
分類
分類とは、画像を異なるカテゴリーに分類する作業である。YOLO11は、画像をその内容に基づいて分類するのに使うことができる。YOLO11は分類を行うために、EfficientNetアーキテクチャの一種を使用している。
ポーズ
ポーズ／キーポイント検出は、画像やビデオフレーム内の特定の点を検出するタスクである。これらの点はキーポイントと呼ばれ、動きの追跡や姿勢推定に使用されます。YOLO11は、画像やビデオフレーム内のキーポイントを高精度かつ高速に検出することができます。
OBB
回転物体検出は、通常の物体検出よりもさらに一歩進んで、画像内の物体をより正確に検出するために余分な角度を導入します。YOLO11は、画像やビデオフレーム内の回転したオブジェクトを高精度かつ高速に検出することができます。
結論
YOLO11は、検出、セグメンテーション、分類、指向性オブジェクト検出、キーポイント検出など、複数のタスクをサポートしている。これらのタスクには、それぞれ異なる目的とユースケースがあります。これらのタスクの違いを理解することで、コンピュータビジョンアプリケーションに適したタスクを選択することができます。
よくあるご質問
Ultralytics YOLO11はどんな仕事ができますか？
Ultralytics YOLO11は、様々なコンピュータビジョンタスクを高精度かつ高速に実行できる汎用的なAIフレームワークである。これらのタスクには以下が含まれる：
- 検出：画像やビデオフレーム内のオブジェクトの周りにバウンディングボックスを描画することによって、オブジェクトを識別し、位置を特定すること。
- セグメンテーション：画像をその内容に基づいて異なる領域にセグメンテーションし、医療画像などの用途に役立つ。
- 分類：EfficientNetアーキテクチャのバリエーションを活用し、画像全体をその内容に基づいて分類する。
- ポーズ推定：動きやポーズを追跡するために、画像やビデオフレーム内の特定のキーポイントを検出すること。
- オリエンテッドオブジェクト検出（OBB）：精度を向上させるために方向角度を追加して、回転したオブジェクトを検出します。
Ultralytics YOLO11を物体検出に使うには？
Ultralytics YOLO11を物体検出に使用するには、以下の手順に従う：
- 適切な形式でデータセットを準備する。
- 検出タスクを使用してYOLO11モデルを訓練する。
- 新しい画像やビデオフレームを入力することで、モデルを使って予測を行う。
例
from ultralytics import YOLO
# Load a pre-trained YOLO model (adjust model type as needed)
model = YOLO("yolo11n.pt") # n, s, m, l, x versions available
# Perform object detection on an image
results = model.predict(source="image.jpg") # Can also use video, directory, URL, etc.
# Display the results
results[0].show() # Show the first image results
より詳細な手順については、検出例をご覧ください。
セグメンテーションにYOLO11を使うメリットは何ですか？
セグメンテーション作業にYOLO11を使用すると、いくつかの利点がある：
- 高精度：セグメンテーション・タスクは、正確なセグメンテーションを達成するために、U-Netアーキテクチャの変形を利用している。
- スピード：YOLO11はリアルタイムアプリケーションに最適化されており、高解像度画像でも迅速な処理が可能です。
- 多様なアプリケーション医療用画像処理、自律走行、その他詳細な画像分割を必要とするアプリケーションに最適。
セグメンテーションにおけるYOLO11の利点と使用例については、セグメンテーションのセクションをご覧ください。
Ultralytics YOLO11はポーズ推定とキーポイント検出を扱えますか？
はい、Ultralytics YOLO11は、ポーズ推定とキーポイント検出を高い精度とスピードで効果的に実行できます。この機能は、スポーツ分析、ヘルスケア、ヒューマンコンピュータインタラクションのアプリケーションにおける動きの追跡に特に役立ちます。YOLO11は、画像またはビデオフレーム内のキーポイントを検出し、正確なポーズ推定を可能にします。
詳細と実装のヒントについては、ポーズ推定例をご覧ください。
指向性物体検出（OBB）にUltralytics YOLO11 を選ぶ理由は？
YOLO11のOBB(Oriented Object Detection)は、角度パラメータを追加して物体を検出することで、精度を向上させます。この機能は、航空画像解析や倉庫の自動化など、回転したオブジェクトの正確な位置特定を必要とするアプリケーションに有益です。
- 精度の向上：角度成分により、回転したオブジェクトの誤検出が減少します。
- 多彩なアプリケーション：地理空間分析、ロボット工学などのタスクに便利。
詳細と例については、指向性オブジェクト検出のセクションをチェックしてください。
