AIによる画像認識技術の進化により、自動運転や監視カメラ、工場の自動検査など、リアルタイムで映像を解析する技術が急速に普及しています。
その中でも、画像内の物体を高速に検出できるモデルとして注目を集めたのが「YOLO（You Only Look Once）」です。
従来の物体検出手法は高精度である一方、処理が複雑で時間がかかるという課題がありました。
YOLOはその問題を解決し、「1回の処理で画像全体を認識する」という革新的な考え方を導入しました。
本記事では、YOLOの仕組みや特徴、従来手法との違い、活用事例までわかりやすく解説します。
YOLOとは何か？
YOLO（You Only Look Once）は、画像内の物体の位置と種類を一度の処理で同時に予測する物体検出モデルです。
物体検出とは、単に「犬が写っている」と判断するだけではありません。
例えば次のような情報をAIが判断します。
- 何が写っているか（犬、人、車など）
- どこにあるか
- いくつ存在するか
YOLO以前の物体検出モデルは、候補領域を探してから識別する複数段階の処理が一般的でした。
一方YOLOは、画像全体をまとめて解析し、一度の推論で結果を出します。
この「一回見るだけ」という特徴が、名前の由来です。
従来の物体検出との違い
R-CNN系モデルの課題
YOLO以前の代表的な手法として、R-CNN、Fast R-CNN、Faster R-CNNなどがあります。
これらは主に以下の流れで処理していました。
- 物体がありそうな領域を抽出
- 各領域を個別に解析
- 物体の種類を分類
- 位置を調整
高精度な反面、処理工程が多いため速度面に課題がありました。
特に動画解析や自動運転のようなリアルタイム処理では、わずかな遅延も大きな問題になります。
YOLOの仕組み
画像をグリッドに分割して処理する
YOLOでは入力画像を格子状（グリッド）に分割します。
例えば画像を複数のマス目に区切り、それぞれのマスが次の情報を予測します。
- 物体の位置
- 大きさ
- 存在確率
- 物体クラス
具体例を考えてみましょう。
道路の画像に以下が写っているとします。
- 人
- 自動車
- 自転車
YOLOは画像全体を見ながら、「どのマスに何が存在しているか」を同時に判断します。
これにより、画像を何度も切り出して処理する必要がなくなります。
YOLOが高速な理由
YOLO最大の特徴は処理速度です。
高速化を実現できる理由は次の通りです。
1. 一度の推論で完結する
従来の二段階方式では処理工程が分かれていました。
YOLOは単一のニューラルネットワーク内で完結するため、計算負荷が大幅に減少します。
2. GPUとの相性が良い
YOLOは並列計算を効率よく利用できる構造です。
GPUによる高速処理と組み合わせることで、動画をリアルタイムで解析できます。
3. 画像全体の文脈を利用する
従来手法は局所領域だけを見て判断する傾向がありました。
YOLOは画像全体を一度に見るため、周囲の情報も利用できます。
例えば、
- 空にある車は不自然
- 道路上に車があるのは自然
といった文脈も学習できます。
初期YOLOの課題
YOLOは高速でしたが、初期バージョンには弱点もありました。
特に苦手だったのが以下です。
小さな物体
遠くの歩行者や小さな標識は検出しづらい傾向がありました。
密集した対象
人混みや多数の商品が並ぶ棚などでは、複数物体を区別しにくい問題もありました。
しかし、その後の改良版で大きく改善されています。
代表例：
- YOLOv2
- YOLOv3
- YOLOv5
- YOLOv7
- YOLOv8
- YOLOv11系統
世代が進むごとに速度と精度が向上しています。
YOLOの主な活用事例
YOLOはリアルタイム性能を活かし、幅広い分野で利用されています。
自動運転
自動車周辺の情報を瞬時に認識します。
検出対象：
- 歩行者
- 信号
- 車両
- 障害物
安全運転支援に欠かせない技術です。
監視カメラ
人物や異常行動をリアルタイム検出できます。
利用例：
- 不審者検知
- 侵入監視
- 混雑状況分析
製造業
工場ラインでも活躍しています。
例えば、
- 不良品検査
- 部品の欠損検知
- 製品の位置確認
人の目による検査を自動化できます。
小売・物流
物流センターでは荷物認識やバーコード検出にも利用されています。
店舗では来店者分析や商品管理にも応用されています。
YOLOがAI業界に与えた影響
YOLOが登場したことで、「高精度なら遅くても良い」という考え方が変化しました。
従来は精度重視の傾向がありましたが、YOLOは「速度と精度のバランス」という新たな基準を作りました。
その影響は現在も続いており、多くの軽量AIモデル設計にも取り入れられています。
特にエッジAI（端末側で動作するAI）の発展には大きな貢献をしました。
まとめ
YOLO（You Only Look Once）は、画像全体を一度だけ解析し、物体の位置と種類を同時に予測する革新的な物体検出技術です。
主な特徴を整理すると次の通りです。
- 一度の処理で物体検出を実施
- 非常に高速
- 動画のリアルタイム処理に強い
- GPUとの相性が良い
- 自動運転や監視システムなどで幅広く利用
現在ではYOLOは多数の改良版が登場し、AI画像認識の標準技術の一つとなっています。
今後もスマートフォン、ロボット、IoT機器など、リアルタイムAIが求められる場面でさらに活躍の場が広がっていくでしょう。
こちらもご覧ください：FPN（Feature Pyramid Network）とは？小さな物体も見逃さない画像認識技術をわかりやすく解説
