YOLOとは
You Only Look Once
画像を1回のネットワーク推論で処理し、物体の位置と種類をリアルタイムに検出する物体検出モデル
ひとことで言うと
画像を1回見るだけで、物体の位置と種類を素早く見つけ出すAIモデル。
概要
YOLO(You Only Look Once)とは、入力画像全体を1回のニューラルネットワーク推論で処理し、画像内の物体の位置(矩形領域)とクラス(種類)を同時に予測する物体検出モデル。 従来の物体検出手法が候補領域の抽出と分類を別々のステップで行っていたのに対し、YOLOは画像をグリッドに分割し各グリッドセルが物体の矩形領域とクラス確率を直接予測する枠組みにまとめ、大幅な高速化を実現した。 推論速度の速さから、自動運転や監視カメラなど、リアルタイム性が求められる物体検出タスクで広く使われている。
背景
従来の物体検出手法は、物体候補領域の抽出と個々の領域の分類という複数ステージの処理を要し、リアルタイム用途には処理速度の面で不十分なことが多かった。 YOLOは、物体検出を1回の推論で完結する単一の回帰問題として定式化することで、精度を保ちながら大幅な高速化を実現するために考案された。
歴史
2016年: Redmonらが論文「You Only Look Once: Unified, Real-Time Object Detection」を発表し、YOLOの初期バージョンを公開。 以降、YOLOv2からYOLOv8等、コミュニティや企業によってバージョンアップが重ねられ、物体検出の代表的な手法の1つとして定着している。
利点
- 画像全体を1回の推論で処理するため、従来手法と比べて推論速度が非常に速い
- リアルタイム性が求められる自動運転・監視カメラ等の用途に適する
欠点
- 画像をグリッドに分割する仕組み上、小さい物体や密集した物体の検出精度が課題になりやすい
- 候補領域を段階的に絞り込む手法と比べ、位置検出の精度で劣る場合がある
比較
関連用語
参考文献
- Research PaperYou Only Look Once: Unified, Real-Time Object Detection