物体検出の技術であるYOLOv8に興味があるものの、
・どのように始めたらいいのか分からない…。
・既に学習済みのモデルをどのように活用したらいいのか分からない….。
とお悩みの方は少なくないでしょう。そこでこの記事では、
・YOLOv8の基本的な概要とその強力な機能
・初心者でも簡単にYOLOv8を使い始める方法
・自分で物体検出モデルを訓練する方法
について、分かりやすく解説していきます。
最後まで読んでいただくことで、YOLOv8に関して体系的に理解できるはずです。
YOLOとは？
YOLO（You Only Look Once）とは物体検出のための深層学習アルゴリズムです。近年、物体検出技術がどんどん進化しているおかげで、写真や画像を分析する方法が大きく進歩しました。特にYOLOは、物体検出技術や画像解析技術の分野に革命をもたらしたといっても過言ではありません。
物体検出手法の一つ
YOLOは、CVPR2016（画像認識のトップカンファレンス）でJoseph Redmon氏により発表された、物体検出のための深層学習アルゴリズムです。「You Only Look Once（見るのは一度だけ）」の略で、名前が示す通り、画像を一度見るだけで物体を検出し、分類することが可能です。
アルゴリズムは2015年に初版が公開され、高速かつ効率的な物体検出能力で大きな注目を集めました。
YOLOは、一枚の画像から複数の物体を同時に識別できるのが特徴であり、その後も継続的な改良が加えられ、現在ではYOLOv8まで進化しています。
推論速度が極めて速い
YOLOの特徴の一つとして、推論速度の速さが挙げられます。アルゴリズムでは、物体の検出と識別を一つの処理で同時に行うことで、驚異的な速度を実現しています。
リアルタイム物体検出の実現が可能であり、自動運転車や監視カメラなど、即時性が求められる多くのアプリケーションでの利用が期待できます。
YOLOは、一定水準以上の精度を保ちながらも、高速かつ軽量で動作することができるため、リソースが限られた環境でも優れたパフォーマンスを発揮します。
＼文字より動画で学びたいあなたへ／
Udemyで講座を探す ＞YOLOv8とは？
YOLOv8は、YOLOシリーズの最新バージョンであり、2023年1月に公開されました。旧バージョンからのアップデートを踏まえ、精度と速度の面で最先端の性能を実現しています。
新機能の追加と最適化が施され、大規模データセットでの学習が可能となり、さまざまなハードウェア環境での実行にも対応しています。開発者は、Webブラウザ上でモデルを利用することから、NVIDIA Jetsonのようなエッジデバイス上での運用まで、幅広い展開が可能です。
画像分類やセグメンテーションもできる
YOLOv8でできることは物体検出だけではありません。一枚の画像内で複数のオブジェクトを効果的に検出し、それぞれに対する分類やセグメンテーションが実行可能です。
YOLOv8の汎用性の高さは、物体検出をはじめたいと考えている初心者におすすめです。学習プロセスが直感的で、さまざまなタイプの画像解析タスクに対応することができるため、広範囲にわたる用途での利用が期待できます。
既に学習済みのモデルが公開されている
YOLOv8には、多様なタスクやパフォーマンス要件に適応するための、事前学習済みモデルが実装されています。モデルは、COCOやImageNetなどの代表的なサンプルデータセットを使用して学習されており、ユーザーはニーズに最適なモデルを簡単に見つけ出すことができます。
事前学習済みモデルの利用は、カスタマイズが必要な特定のケースに対して、開発の労力を大幅に削減し、迅速なデプロイメントが可能です。
YOLOv8の使い方：画像認識を行う方法
ここでは、YOLOv8を使って画像認識を行う方法について、分かりやすく解説していきます。
Pythonの実行環境に悪影響を及ぼさないために、仮想環境で作業を行うようにしましょう。仮想環境を使用することで、必要な依存関係やパッケージをプロジェクト固有の環境に隔離し、システム全体に影響を与えることなく作業を進めることが可能です。
【準備】pipを使いインストールする
YOLOv8をはじめるにあたって、まず必要なパッケージのインストールを行います。この時、Pythonのバージョンは3.8以上、PyTorchは1.8以上が必要です。
インストールは、pipコマンドを使用して行います。次のコマンドでYOLOv8をインストール可能です。
|
1 |
pip install yolov8 |
インストール後、次のコマンドで動作確認を行います。
|
1 2 |
import yolov8 print(yolov8.__version__) |
問題なく動作すれば、YOLOv8のインストール完了です。
学習済みモデルを使って画像認識を実行
YOLOv8の特徴の一つとして、事前に学習済みのモデルを提供していることが挙げられます。そのため、初心者であっても簡単に画像認識の実験をはじめることができるでしょう。
次のコマンドを実行すると、学習済みモデルをダウンロードし、画像認識を試すことができます。
|
1 2 3 4 |
from yolov8 import YOLOv8 yolov8 = YOLOv8() yolov8.load("path/to/image.jpg") |
物体検出を実行
物体検出は、YOLOv8の基本的な機能の一つです。
次のサンプルコードを使用して、指定した画像内の物体を検出することができます。
|
1 |
results = yolov8.detect("path/to/image.jpg") |
画像分類を実行
YOLOv8を使用すると、画像分類も可能です。
次のサンプルコードでは、画像内の物体を識別し、それぞれのカテゴリを分類します。
|
1 |
results = yolov8.classify("path/to/image.jpg") |
セグメンテーションを実行
セグメンテーションとは、画像内の各ピクセルが何を表しているかを、識別することを指します。
YOLOv8を用いて、次のようにセグメンテーションを実行できます。
|
1 |
results = yolov8.segment("path/to/image.jpg") |
推論結果を確認
推論を行った後、YOLOv8は推論結果をresults関数にてResultsオブジェクトのリストとして保存します。その結果、検出されたオブジェクトの情報を簡単に確認でき、さらなる分析や処理を行うことが可能です。
次のサンプルコードでは、YOLOv8を使って画像の物体検出を実行し、その結果を確認することができます。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
from yolov8 import YOLOv8, YOLOv8Config # YOLOv8の設定をロード config = YOLOv8Config() # モデルを初期化 model = YOLOv8(config) # 推論を実行 results = model.predict("path/to/your/image.jpg") # 推論結果を表示 for result in results: print(result) |
YOLOv8の使い方：新しい画像でモデルを学習させる方法
物体検出の分野では、既存の学習済みモデルを活用することが多いですが、特定のオブジェクトを検出したい場合や独自のデータセットを使用したい場合などは、自分でモデルを学習させる必要があります。
YOLOv8を用いたカスタムモデルの学習は、特に新しいタイプのオブジェクトを認識させたい時に有効です。
ここでは、新しい画像でYOLOv8モデルを学習させる方法について、分かりやすく解説していきます。
学習データを用意
モデルの学習には、適切なデータセットの準備が不可欠です。
まず、以下の3つの画像セットを準備します。
- 訓練用（Train）
- 検証用（Valid）
- テスト用（Test）
これらのデータセットには、画像とそれに対応するアノテーション情報（YOLO形式のテキストファイル）が必要です。
加えて、データセットの設定を指定するyamlファイルも必要になります。yamlファイルの作成例は、次のとおりです。
|
1 2 3 4 5 6 |
train: path/to/train/images val: path/to/valid/images nc: number_of_classes names: ['class1', 'class2', ...] |
このファイルでは、学習、検証用データセットのパスやクラス数、クラス名を定義しています。
アノテーションを行う
データセットの準備が整ったら、次はアノテーション作業に移ります。アノテーションは、画像内で物体検出を行いたい領域を指定する作業です。
実際の作業では、LabelImgなどのアノテーションツールを使用します。アノテーションの手順は、次の通りです。
- LabelImgを開く
- 「Open Dir」でアノテーションを行う画像が含まれるフォルダを選択
- 「Create RectBox」ボタンを使用して物体を囲む
- 物体のクラスを選択し、保存
上記の手順を、全ての画像に対して繰り返します。
学習させて実行
アノテーションデータを用いて、モデルの学習を開始します。事前学習済みモデルを使用することで、学習プロセスを加速し、より早く良い結果を得ることが可能です。
学習を開始するコマンドは、次の通りです。
|
1 |
python train.py --img 640 --batch 16 --epochs 300 --data dataset.yaml --weights yolov8_pretrained.pt |
学習が終了すると、「best.pt」と「last.pt」という2つの重みデータファイルが生成されます。
- 「best.pt」：検証セットにおいて最高の精度を達成した時のモデルの重み。
- 「last.pt」：学習の最後に得られたモデルの重み。
これらのデータファイルを使用して、新しい画像に対する物体検出や、さらなる学習の基礎として利用できます。
YOLOv8を使って学習や物体検出をしよう！
この記事では、YOLOv8の導入から、簡単な使い方、さらに新しいデータでの学習方法までを解説しました。YOLOv8は、物体検出技術の中でも特に高速で精確な結果を提供するアルゴリズムです。
YOLOv8の使用は、画像分析の分野で幅広い応用が可能であり、カスタムモデルの開発を通じて特定のニーズに応えることもできます。物体検出のスキルを深め、YOLOv8を実際のプロジェクトに応用したい方には、Udemyの専門講座がおすすめです。
以下の講座では、基本から応用までを実践的に学べます。
【YOLOv8】ディープラーニングによる初めての物体検出（Python/Keras/Colab）
最新のAI開発パッケージYOLOv8を用いて物体検出に挑戦しましょう！物体検出の基礎からGoogle Colabotatory上でKerasを用いた演習まで、物体検出の第一歩を実践形式で学びます。
＼無料でプレビューをチェック！／
講座を見てみるYOLOv8を用いて物体検出に挑戦してみましょう！
RANKING
RECOMMENDED COURSE
最新情報・キャンペーン情報発信中