はじめに
オブジェクト検出 = 画像内のすべてのオブジェクトの 位置 (境界ボックス) + ラベル (クラス) を見つけます。そして、YOLO (You Only Look Once) が王です 👑 - 最速、最も正確、そして使いやすい。
🎯 YOLO を選択する理由 リアルタイム (>100 FPS)、高精度 (mAP 50%+)、検出するコードは 1 行で、Ultralytics エコシステムは非常に成熟しています。
1. 物体検出 101
1.1 分類、検出、セグメンテーション
Image Classification: "This is a cat" → 1 label
Object Detection: "Cat at (x,y,w,h)" → N bounding boxes + labels
Instance Segmentation: "Cat occupies these pixels" → Pixel-level masks
1.2 境界ボックス — オブジェクトを囲むボックス
# Bounding box formats
# Format 1: (x_center, y_center, width, height) — YOLO format
bbox_yolo = [0.5, 0.5, 0.3, 0.4] # Normalized (0-1)
# Format 2: (x_min, y_min, x_max, y_max) — Pascal VOC format
bbox_voc = [150, 100, 350, 300] # Pixels
# Format 3: (x_min, y_min, width, height) — COCO format
bbox_coco = [150, 100, 200, 200] # Pixels
# Convert YOLO → VOC
def yolo_to_voc(bbox, img_w, img_h):
x_c, y_c, w, h = bbox
x_min = int((x_c - w/2) * img_w)
y_min = int((y_c - h/2) * img_h)
x_max = int((x_c + w/2) * img_w)
y_max = int((y_c + h/2) * img_h)
return [x_min, y_min, x_max, y_max]
1.3 IoU — 和集合上の交差
"""IoU: đo mức overlap giữa 2 bounding boxes"""
def calculate_iou(box1, box2):
"""
box1, box2: [x_min, y_min, x_max, y_max]
"""
# Intersection
x_inter_min = max(box1[0], box2[0])
y_inter_min = max(box1[1], box2[1])
x_inter_max = min(box1[2], box2[2])
y_inter_max = min(box1[3], box2[3])
inter_area = max(0, x_inter_max - x_inter_min) * \
max(0, y_inter_max - y_inter_min)
# Union
area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
union_area = area1 + area2 - inter_area
return inter_area / union_area if union_area > 0 else 0
# Ví dụ
pred_box = [100, 100, 300, 300]
gt_box = [120, 110, 310, 320]
iou = calculate_iou(pred_box, gt_box)
print(f"IoU: {iou:.4f}") # ~0.73
IoU Thresholds:
IoU > 0.5 → True Positive (mAP@50)
IoU > 0.75 → True Positive (mAP@75 — strict)
IoU < 0.5 → False Positive (miss!)
2. YOLO — 一度しか見ない
2.1 中心的なアイデア
YOLO 以前は、2 段階の検出が使用されていました: 領域の提案 → 各領域の分類 (R-CNN、遅い)。
YOLO: 1 ステージ — 画像を 1 回だけ見て、すべてのボックスとクラスを出力します。
Input Image (640×640)
↓
YOLO Backbone (feature extraction)
↓
YOLO Neck (feature fusion — FPN/PAN)
↓
YOLO Head (predict boxes + classes)
↓
NMS (Non-Max Suppression — lọc box trùng)
↓
Final Detections: [(class, confidence, x, y, w, h), ...]
2.2 YOLOの歴史
| バージョン | 年 | 主な貢献 | mAP（ココ） |
|---|---|---|---|
| YOLOv1 | 2016年 | 独自のアイデア — 1 段階検出 | 63.4 |
| ヨロv2 | 2017年 | アンカー ボックス、バッチ正規化 | 78.6 |
| ヨロv3 | 2018年 | マルチスケール検出、Darknet-53 | 33.0 (mAP@50:95) |
| ヨロv4 | 2020年 | CSPDarknet、Mish アクティベーション、モザイク拡張 | 43.5 |
| ヨロv5 | 2020年 | PyTorch、Ultralytics エコシステム、使いやすい | 48.2 |
| YOLOv6 | 2022年 | Meituan、BiC モジュール、SimOTA | 52.5 |
| ヨロv7 | 2022年 | E-ELAN、モデルの再パラメータ化 | 56.8 |
| YOLOv8 | 2023 | アンカーフリー、分離ヘッド、Ultralytics | 53.9 |
| ヨロv9 | 2024年 | PGI、GELAN アーキテクチャ | 55.6 |
| YOLOv10 | 2024年 | NMS 不要、効率重視 | 54.4 |
| YOLOv11 | 2024 | C3k2 ブロック、注意、SOTA | 56.1 |
⭐ 実際には: YOLOv8 または YOLOv11 (Ultralytics) を使用します。最高のエコシステム、明確なドキュメント、最大のコミュニティ。
2.3 非最大抑制 (NMS)
"""NMS: loại bỏ bounding boxes trùng nhau"""
def nms(boxes, scores, iou_threshold=0.5):
"""
boxes: [[x1,y1,x2,y2], ...] — tất cả predicted boxes
scores: [0.9, 0.85, 0.7, ...] — confidence của mỗi box
"""
indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
keep = []
while indices:
current = indices.pop(0)
keep.append(current)
remaining = []
for idx in indices:
iou = calculate_iou(boxes[current], boxes[idx])
if iou < iou_threshold: # Chỉ giữ box ít overlap
remaining.append(idx)
indices = remaining
return keep
3. 実践: Ultralytics を使用した YOLO
3.1 インストール
pip install ultralytics
3.2 推論 — 即座に検出
"""YOLO Detection — chỉ 3 dòng code!"""
from ultralytics import YOLO
# Load pretrained model (tự download)
model = YOLO("yolo11n.pt") # nano (nhanh nhất)
# model = YOLO("yolo11s.pt") # small
# model = YOLO("yolo11m.pt") # medium
# model = YOLO("yolo11l.pt") # large
# model = YOLO("yolo11x.pt") # extra large (chính xác nhất)
# Detect trên ảnh
results = model("street_photo.jpg")
# Hiển thị kết quả
results[0].show() # Mở ảnh với bounding boxes
results[0].save("output.jpg") # Lưu ảnh
3.3 詳細な結果を分析する
"""Phân tích detection results"""
results = model("street.jpg")
for result in results:
boxes = result.boxes
for box in boxes:
# Bounding box coordinates
x1, y1, x2, y2 = box.xyxy[0].tolist()
# Confidence score
confidence = box.conf[0].item()
# Class
class_id = int(box.cls[0].item())
class_name = result.names[class_id]
print(f"📦 {class_name}: {confidence:.2%} "
f"at ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")
# Summary
print(f"\nTotal detections: {len(boxes)}")
print(f"Classes found: {set(result.names[int(c)] for c in boxes.cls)}")
3.4 ビデオでの検出
"""Object detection trên video"""
import cv2
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
# Mở video
cap = cv2.VideoCapture("traffic.mp4")
# Hoặc webcam: cap = cv2.VideoCapture(0)
# Video writer
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
writer = cv2.VideoWriter("output.mp4", cv2.VideoWriter_fourcc(*"mp4v"), fps, (width, height))
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# Detect
results = model(frame, verbose=False)
# Vẽ results lên frame
annotated = results[0].plot()
# Lưu
writer.write(annotated)
cap.release()
writer.release()
print("Done! Saved to output.mp4")
3.5 YOLO タスク: 検出だけではない
"""YOLO hỗ trợ nhiều tasks"""
# Object Detection
det_model = YOLO("yolo11n.pt")
det_results = det_model("street.jpg")
# Instance Segmentation
seg_model = YOLO("yolo11n-seg.pt")
seg_results = seg_model("street.jpg")
# Pose Estimation
pose_model = YOLO("yolo11n-pose.pt")
pose_results = pose_model("person.jpg")
# Classification
cls_model = YOLO("yolo11n-cls.pt")
cls_results = cls_model("cat.jpg")
# OBB (Oriented Bounding Boxes)
obb_model = YOLO("yolo11n-obb.pt")
obb_results = obb_model("aerial.jpg")
4. 評価指標
4.1 精度、リコール、mAP
Predicted Positive Predicted Negative
Actual Positive TP (True Positive) FN (False Negative)
Actual Negative FP (False Positive) TN (True Negative)
Precision = TP / (TP + FP) → "Trong tất cả detect, bao nhiêu đúng?"
Recall = TP / (TP + FN) → "Trong tất cả objects thật, bao nhiêu detect được?"
4.2 mAP (平均平均精度)
"""Đánh giá YOLO model"""
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
# Evaluate trên COCO val set
metrics = model.val(data="coco.yaml")
print(f"mAP@50: {metrics.box.map50:.4f}") # mAP at IoU=0.5
print(f"mAP@50:95: {metrics.box.map:.4f}") # mAP at IoU=0.5:0.95
print(f"Precision: {metrics.box.mp:.4f}") # Mean Precision
print(f"Recall: {metrics.box.mr:.4f}") # Mean Recall
4.3 YOLO モデルの比較
| モデル | パラメータ | mAP@50 | mAP@50:95 | 速度 (T4 GPU) |
|---|---|---|---|---|
| ヨロv11n | 2.6M | 70.3 | 39.5 | 1.5ミリ秒 |
| YOLOv11s | 9.4M | 77.1 | 47.0 | 2.5ミリ秒 |
| YOLOv11m | 20.1M | 80.4 | 51.5 | 4.7ミリ秒 |
| YOLOv11l | 25.3M | 81.2 | 53.4 | 6.2ミリ秒 |
| YOLOv11x | 56.9M | 82.0 | 54.7 | 11.3ミリ秒 |
5. 高度な YOLO 構成
"""Cấu hình detection chi tiết"""
results = model.predict(
source="image.jpg", # ảnh, video, folder, url, webcam
conf=0.25, # Confidence threshold (default 0.25)
iou=0.45, # NMS IoU threshold (default 0.7)
classes=[0, 1, 2], # Chỉ detect classes cụ thể (0=person, 1=bicycle, 2=car)
max_det=300, # Số detection tối đa
imgsz=640, # Input size
device="cuda", # GPU
save=True, # Lưu ảnh kết quả
save_txt=True, # Lưu labels txt
save_conf=True, # Lưu confidence trong txt
show=False, # Hiển thị real-time
verbose=False, # Tắt log
)
概要
| コンセプト | 覚えておいてください |
|---|---|
| 物体検出 | オブジェクトの位置 (bbox) + ラベル (クラス) を見つける |
| ヨロ | 1 ステージ検出器、リアルタイム、SOTA |
| IoU | 予測ボックスとグランド トゥルース ボックス間の重複を測定する |
| NMS | 重複したボックスを排除し、最適なボックスを維持 |
| マップ | 検出の主な指標: 平均平均精度 |
| ウルトラリティクス | YOLO の Python ライブラリ — 3 行の検出コード |
一般的な演習
- クイック スタート: Ultralytics をインストールし、10 種類の画像 (街頭、屋内、自然) で検出します。クラスごとにカウントします。
- ビデオ検出: ビデオ トラフィックを検出します。平均して、1 フレームあたり何台の車両ですか?
- モデル サイズの比較: yolo11n、yolo11m、yolo11x を比較します: 精度、速度、メモリ。
- IoU 計算ツール: IoU 関数を実装し、5 つの異なるボックスのペアでテストします。
- カスタム フィルター: 信頼度 > 80% で 人 (クラス 0) のみを検出するスクリプトを作成します。
次の記事: YOLO カスタム トレーニング — 独自のデータにラベルを付け、特定の問題に対して独自のモデルをトレーニングします。