ビジュアルAIガイド
YOLO リアルタイム検出
YOLO (You Only Look Once) は、単一のニューラル ネットワーク パスで画像内のすべてのオブジェクトを検索してラベル付けするオブジェクト検出モデルのファミリーであり、ライブ ビデオに十分な速さです。
このガイドを聴くAIによるナレーション · ~2 min
概要
Its speed unlocked real-time vision on everything from drones to self-checkout kiosks.
ディープダイブ
YOLO が登場する前は、R-CNN のような検出器は画像領域全体で分類器を何千回も実行していましたが、これには時間がかかりました。 2015 年に Joseph Redmon によって導入された YOLO は、検出を 1 つの回帰問題として再構成しました。つまり、画像をグリッドに分割し、各セルに対して、単一の前方パスで境界ボックス、オブジェクトネス スコア、およびクラス確率を予測します。その「ルックワンス」設計により、精度を維持しながら 2 段階検出器よりも劇的に高速になりました。このファミリーは、多くのバージョン (YOLOv2 から YOLOv8 以降) を通じて急速に進化し、アンカー ボックス、より優れたバックボーン、アンカーフリー ヘッドを追加しました。最新のバージョンは GPU 上で 100 フレーム/秒をはるかに超える速度で動作するため、精度と同じくらい遅延が重要な場合には YOLO がデフォルトの選択肢になります。
現実世界の実装
買い物客が商品を手に取るときに商品を検出するセルフチェックアウト システムとレジのない店舗
作物、雑草、家畜をリアルタイムで発見するドローンと農業ロボット
スマートシティ分析のために車両を数え、歩行者を検出する交通カメラと監視カメラ
高速で移動するベルトコンベア上の欠陥部品にフラグを立てる製造ライン
YOLO リアルタイム検出の将来
YOLO は、クラウド接続なしで携帯電話、マイクロコントローラー、組み込みカメラ上で実行される小規模な量子化モデルを使用して、エッジ デプロイメントへの傾向を続けています。新しいリリースでは、速度を犠牲にすることなく精度を高めるためにトランスコンポーネントとアンカーフリー設計をブレンドしています。トラッキングとセグメンテーションとの緊密な統合、固定ラベルではなくテキスト プロンプトからオブジェクトを認識するオープンな語彙検出、およびエッジの安価で低電力のハードウェアでの効率的な実行への継続的な注意が期待されます。
実践する
なぜそれが重要なのか
- 速度とスケール. Visual AI は、検査、検出、タグ付けタスクを大規模に自動化できます。
- ビルドの選択. クリエイティブ チームは、手動での修正を減らし、より迅速にコンセプトのプロトタイプを作成できます。
- チームとワークフロー. 以前は処理が困難であった画像信号やビデオ信号を操作に使用できるようになります。
気をつけてください
- 出所が不明瞭な場合、肖像権と同意が法的リスクとなる可能性があります。
- モデルのパフォーマンスは、照明、人口統計、環境によって異なる場合があります。
- 信頼度のしきい値が監視されない限り、誤検知は気付かれない可能性があります。
次のステップ
- 精度、再現率、エラーコストの許容基準を定義します。
- 実際の生産条件に一致するデータを使用してテストします。
- 信頼性の低い予測や影響の大きい予測については、人間によるレビューを追加します。
- モデルのドリフトを追跡し、カメラまたはデータセットの変更後に再検証します。
探検を続けましょう
よくある質問
What is YOLO Real-Time Detection?
YOLO (You Only Look Once) は、単一のニューラル ネットワーク パスで画像内のすべてのオブジェクトを検索してラベル付けするオブジェクト検出モデルのファミリーであり、ライブ ビデオに十分な速さです。そのスピードにより、ドローンからセルフ レジ キオスクに至るまで、あらゆるものでリアルタイム ビジョンが可能になりました。
この文脈において、YOLO という頭字語は何を表しますか?
YOLO は「You Only Look Once」の略で、画像上の単一のニューラル ネットワーク パスですべてのオブジェクトを検出することを反映しています。
Which cross-domain evaluation did the original YOLO paper report?
The original paper reports evaluation on the Picasso and People-Art datasets as a test of generalization from natural images to artwork.
YOLO の出力で重複して重なっている境界ボックスを削除する手法は何ですか?
非最大抑制では、最も信頼性の高いボックスが維持され、和集合に対する交差のしきい値を超える重複するボックスが破棄されます。
元の YOLO 設計では、入力画像は予測のためにどのように分割されますか?
YOLO は画像を S × S グリッドに分割し、各セルはボックスとその中心にあるオブジェクトのクラス確率を予測します。
各グリッド セルは、境界ボックスの座標とともにどの量を予測しますか?
各セルは、ボックス座標、オブジェクト性信頼スコア、およびクラス確率をすべて 1 回の順方向パスで共同で予測します。