YOLOv12：リアルタイム画像・ビデオターゲット検出のためのオープンソースツール

はじめに

YOLOv12は、GitHubユーザーのsunsmarterjieによって開発されたオープンソースプロジェクトで、リアルタイムのターゲット検出技術に焦点を当てています。このプロジェクトは、フレームワークのYOLO（You Only Look Once）シリーズに基づいており、従来の畳み込みニューラルネットワーク（CNN）のパフォーマンスを最適化するための注意メカニズムの導入だけでなく、改善された精度の検出だけでなく、高い推論速度を維持しています。 YOLOv12は、監視システム、自動運転や画像解析など、さまざまなシナリオのために、ナノ、スモール、ミディアム、ラージ、エクストララージモデルサイズを提供するために、さまざまなコンピューティングパワーとアプリケーションの要件を満たす、Medium、Large、Extra-Largeのモデルサイズを提供し、異なる計算能力とアプリケーションの要件を満たします。このプロジェクトはGNU AGPL-3.0でライセンスされており、ユーザーはコードを無料でダウンロードし、必要に応じてカスタマイズすることができる。開発チームにはバッファロー大学や中国科学院の研究者が参加しており、技術文書やインストールガイドも詳細で、ユーザーはすぐに使い始めることができる。

機能一覧

• 効率的なリアルタイム・ターゲット検出T4GPUの場合、YOLOv12-Nは40.6% mAPを達成し、推論レイテンシはわずか1.64msです。
• マルチモデルの選択低電力デバイスから高性能サーバーまで、幅広いハードウェア環境に対応する5つのモデル（Nano～Extra-Large）を用意しています。
• アテンション・メカニズムの最適化エリアアテンションとR-ELANモジュールの導入により、検出精度の向上と計算量の削減を実現。
• モデル輸出ONNXまたはTensorRTフォーマットへのトレーニングモデルのエクスポートをサポート。
• カスタマイズされたデータセットのトレーニングユーザは、特定のターゲット検出タスクに適した独自のデータセットでモデルをトレーニングすることができます。
• 視覚化サポート: : 試験結果の表示と性能評価を容易にする監督ツールの統合。

ヘルプの使用

設置プロセス

YOLOv12は現在スタンドアロンのPyPIパッケージを持っておらず、GitHubのソースからインストールする必要がある。以下はLinux用の詳細なインストール手順である（WindowsやMacユーザーは環境設定を調整する必要がある）：

1. 環境を整える
   • Python 3.11以降がシステムにインストールされていることを確認してください。
   • Gitをインストールする：sudo apt install git(Ubuntuの例）。
   • オプション：NVIDIA GPUドライバとCUDA（推奨バージョン11.8以上）をインストールし、トレーニングと推論を高速化する。
2. クローン倉庫
   ターミナルで以下のコマンドを実行して、YOLOv12リポジトリをローカルにダウンロードする：

   git clone https://github.com/sunsmarterjie/yolov12.git
   cd yolov12

3. 仮想環境の構築
   Condaまたはvenvを使用して、別々のPython環境を作成し、依存関係の衝突を避ける：

   conda create -n yolov12 python=3.11
   conda yolov12 をアクティブにする
   

4. 依存関係のインストール
   PyTorch、flash-attn、supervisionなど、プロジェクトに必要な依存関係をインストールします：

   wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
   pip install flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
   pip install -r requirements.txt
   pip install -e .
   

5. インストールの確認
   以下のコマンドを実行し、環境が正しく設定されていることを確認する：

   python -c "from ultralytics import YOLO; print('YOLOv12のインストールに成功しました')"
   

使用方法

カスタムモデルのトレーニング

YOLOv12は、シーンに特化したターゲット検出タスクに適した独自のデータセットでの学習をサポートする。操作手順は以下の通り：

1. データセットの準備
   • データはYOLO形式（画像とラベルフォルダーを含み、ラベルは.txtファイルで、ターゲットカテゴリーとバウンディングボックスの座標でラベル付けされている）でなければならない。
   • 確立 data.yaml ファイルで、トレーニングセット、検証セットのパス、カテゴリ名を指定します。例

     train: ./dataset/train/images
     val: ./dataset/val/images
     nc: 2 # カテゴリの数
     names: ['cat', 'dog'] # カテゴリ名
     

2. モデルをロードしてトレーニングする
   Pythonスクリプトを使用して、事前にトレーニングされたモデルをロードし、トレーニングを開始します：

   from ultralytics import YOLO
   model = YOLO('yolov12s.pt') # optional n/s/m/l/x モデル
   結果 = model.train(data='path/to/data.yaml', epochs=250, imgsz=640)
   

   • 時代トレーニングの回数は250回以上を推奨する。
   • イムグズデフォルトは640x640です。
3. トレーニング結果を見る
   トレーニング終了後、結果は 走行／探知／トレーニング フォルダに、モデルの重み (ベスト)や難読化行列など。以下のコードを実行すると、混同行列が表示されます：

   from IPython.display import Image
   Image(filename='runs/detect/train/confusion_matrix.png', width=600)
   

推論とテスト

学習されたモデルは、画像やビデオ内のターゲット検出に使用することができる：

1. 単一画像検出

   model = YOLO('path/to/best.pt')
   結果 = model('test.jpg')
   results.show() # テスト結果を表示
   results.save() # 結果をruns/detect/predictに保存する
   

2. ビデオ検出
   コマンドラインを使ってビデオファイルを処理する：

   python app.py --source 'video.mp4' --model 'path/to/best.pt'
   

3. パフォーマンス評価
   検証セットは、mAPのようなメトリクスを得るために評価される：

   結果 = model.val(data='path/to/data.yaml')
   print(results.box.map) #出力 mAP@0.5:0.95
   

モデル輸出

本番環境で使用可能な形式にモデルをエクスポートします：

model.export(format='onnx', half=True) #をONNXとしてエクスポート。

エクスポートされたモデルは、エッジデバイスやサーバーに配置することができる。

注目の機能操作

• アテンション・メカニズムの最適化
  YOLOv12の "エリア・アテンション "モジュールは、手動で設定する必要はなく、学習と推論中に自動的に特徴抽出を最適化し、小さなターゲットの検出を向上させます。ユーザーは適切なモデルサイズ（例：低消費電力デバイス用のNano）を選択するだけで、この機能による精度向上を享受できます。
• リアルタイム検出
  推論は、CUDA対応GPU上で実行すると非常に高速です。例えば、T4 GPU上でYOLOv12-Nモデルを実行すると、単一画像の検出がわずか1.64 msで行われ、ユーザーは監視ツールを使用して検出フレームと信頼度をリアルタイムで視覚化できます：

  results = model('image.jpg')
  results.plot() # 注釈付き画像の表示
  

• マルチシーン・アダプテーション
  モデルサイズと学習データを調整することで、YOLOv12はさまざまなタスクに簡単に適応できる。例えば、監視システムにおける歩行者の検出や、自律走行における車両や交通標識の認識などである。