YOLO

この用語をシェア

YOLOとは

YOLO（You Only Look Once）は、2015年にJoseph Redmon氏（当時ワシントン大学）らが発表し、2016年のCVPR（コンピュータビジョン分野のトップカンファレンス）で論文として公開された物体検出アルゴリズムです。「物体検出」とは、画像や映像の中から「何が」「どこに」写っているかを同時に特定するタスクで、画像全体が1つのクラスに属するかを判定するだけの「画像分類」よりも一段難しい問題とされています。

YOLO登場以前の主流だったR-CNN、Fast R-CNN、Faster R-CNNといった手法は、まず画像の中から物体がありそうな領域（候補領域）を提案し、次にその領域ひとつひとつを分類するという2段階（Two-Stage）の処理が必要でした。これに対しYOLOは、画像を1回だけニューラルネットワークに通す（＝You Only Look Once）ことで、物体の位置・大きさ・クラスを一括で予測する1段階（One-Stage）検出という発想の転換を持ち込みました。この設計により、Faster R-CNNが数百ミリ秒を要していた処理を、YOLOv1では1枚あたり数十ミリ秒程度まで短縮し、リアルタイム性を大きく引き上げたことが評価されました。

現在では原作者のRedmon氏が開発を離れた後も、コミュニティや複数の企業・研究機関によって版を重ねる形で開発が続いており、2024〜2025年時点ではUltralytics社が公開する「YOLO11」や、中国・清華大学発の研究チームによる「YOLOv12」など、名称に「YOLO」を冠する派生モデルが乱立している状態です。そのため「YOLO」という言葉は特定の1つのモデルではなく、「1段階・グリッドベースでリアルタイム物体検出を行うアルゴリズム系列全体」を指す一般名詞に近い使われ方をしている点に注意が必要です。

仕組み：どうやって「一度見るだけ」で検出するのか

グリッド分割と統合的な予測

オリジナルのYOLOv1は、入力画像を7×7などのグリッド（マス目）に分割し、各グリッドセルが「このセルの中心に物体があるか」「その物体のバウンディングボックス（矩形の位置・幅・高さ）」「どのクラス（人・車・犬など）である確率が高いか」を同時に予測します。分類器と検出器を別々に動かすのではなく、1つの畳み込みニューラルネットワーク（CNN）が入力画像から出力（座標＋クラス確率）までを一気通貫で計算するため、「統合的（Unified）」なアーキテクチャと呼ばれます。

アンカーボックスからアンカーフリーへ

YOLOv2（YOLO9000）以降は、あらかじめ用意した複数サイズ・縦横比の「アンカーボックス」を基準に、そこからのズレ（オフセット）を予測する方式に改良され、様々な形状の物体を捉えやすくなりました。一方でYOLOX（2021年、Megvii社）以降の流れでは、アンカーを使わずに物体の中心点と大きさを直接回帰する「アンカーフリー」設計が主流になり、YOLOv8以降の多くのバージョンもアンカーフリー方式を採用しています。アンカーフリー化により、ハイパーパラメータ（アンカーサイズの事前設定）調整の手間が減り、密集したシーンでの誤検出も抑えやすくなったとされています。

マルチスケール特徴とFPN／PANet

小さな物体（遠くの人物など）と大きな物体（近くの車など）を同じネットワークで検出するため、YOLOv3以降は特徴ピラミッドネットワーク（FPN）やPANet（Path Aggregation Network）を導入し、解像度の異なる複数の特徴マップを統合しています。浅い層は解像度が高く細かい形状情報に強く、深い層は解像度が低い代わりに意味的な情報（それが何であるか）に強いという性質を組み合わせることで、大小さまざまなサイズの物体を1つのモデルで扱えるようにしています。

Non-Maximum Suppression（NMS）による重複除去

1つの物体に対して複数のグリッドセルやアンカーが重複して候補ボックスを出力するため、後処理としてNon-Maximum Suppression（NMS）と呼ばれるアルゴリズムで、信頼度が最も高いボックスだけを残し、重なりの大きい他のボックスを削除します。近年ではNMSの計算コストや、密集シーンでの取りこぼしを避けるため、DETR系のようにNMSを不要にする設計も研究されていますが、YOLO系列の多くは依然としてNMS（または改良版）を採用しています。

エンドツーエンド学習

物体の位置回帰・信頼度・クラス分類という異なる性質の予測を、1つの損失関数（Loss）にまとめて単一のネットワークを学習させます。パイプラインを分割しない分、学習・推論の両面でシステム全体を最適化しやすいという利点があります。

バージョンの変遷

なお「v6」「v7」以降は開発主体がRedmon氏の系譜から離れ、複数の企業・研究グループが独立して「YOLOx」を名乗るモデルを発表する状態が続いています。実務でバージョンを選定する際は、単純に数字が大きい方を選ぶのではなく、ライセンス条件・対応タスク（検出のみか、セグメンテーション／姿勢推定も必要か）・公式サポートの有無を確認することが重要です。

具体例・ユースケース

製造業：外観検査・不良品検知

生産ラインを流れる製品をカメラで撮影し、キズ・欠け・異物混入などの不良箇所を検出する用途で使われます。良品・不良品を1枚の画像から瞬時に分類するだけでなく、「どこに」不良があるかを矩形で示せるため、検査員への引き継ぎや原因分析がしやすくなります。

小売・在庫管理

店舗の棚を撮影し、商品の欠品・陳列崩れをリアルタイムに検知したり、来店客の動線・滞在エリアを匿名の人物検出情報から分析したりする用途に活用されています。POSデータだけでは分からない「棚の見た目」の状態を画像から直接把握できる点が強みです。

自動運転・ADAS（先進運転支援システム）

車載カメラの映像から歩行者・車両・信号・標識を検出し、衝突回避や車線変更判断の入力情報として利用します。安全に直結する領域のため、実際の量産車では単一のYOLO系モデルだけでなく、複数のセンサー（LiDAR・レーダー等）や複数モデルの結果を統合するセンサーフュージョン構成が一般的です。

農業：生育・収穫量の把握

ドローンや温室内カメラで撮影した画像から果実・害虫・雑草を検出し、収穫時期の予測や農薬散布の要否判断に役立てる研究・実運用が進んでいます。

スポーツ分析・監視システム

競技映像から選手・ボールの位置を継続的に検出してトラッキングアルゴリズム（DeepSORT、ByteTrackなど）と組み合わせることで、走行距離やフォーメーションの可視化に利用されます。監視カメラ用途では、人物検出と組み合わせた侵入検知・混雑度推定などが代表例です。

典型的な処理の流れ

実務での基本的なパイプラインは、①カメラ・動画からフレームを取得 → ②YOLOモデルで推論しバウンディングボックスとクラス・信頼度スコアを取得 → ③信頼度の閾値でフィルタリング → ④必要に応じてトラッキング・後段のビジネスロジック（アラート発報、カウントなど）に接続、という流れになります。

メリット・デメリット（注意点）

混同されやすい用語・類似技術との違い

YOLO vs R-CNN／Faster R-CNN

R-CNN系は「候補領域の提案」と「各領域の分類」を分けて行う2段階検出器で、一般に精度は高いものの処理が重くなりやすい設計です。YOLOは両方を1段階で同時に行うため、速度面で優位性がありますが、精度と速度はモデルサイズやバージョンによって逆転することもあり、一概に「YOLOの方が優れている」とは言えません。

YOLO vs SSD（Single Shot MultiBox Detector）

SSDもYOLOと同じく1段階検出器で、複数の解像度の特徴マップから直接検出する点が似ています。両者はほぼ同時期（2015〜2016年）に提案されたライバル関係の手法で、SSDは複数スケールの特徴マップそれぞれにアンカーを配置する設計を最初から取り入れていた点が特徴です。現在の実務ではYOLO系列の方がコミュニティ・エコシステムの規模で優勢になっています。

YOLO vs DETR（DEtection TRansformer）

DETRはTransformerのAttention機構を使い、NMSのような後処理なしで直接「集合」として検出結果を予測する手法です。YOLOがCNNベースの畳み込み構造を主軸としてきたのに対し、DETR系は自己注意機構による大域的な文脈理解を強みとします。近年のYOLOv12のようにAttention機構を部分的に取り入れる派生も登場しており、両系統の技術的な境界は徐々に近づいています。

YOLO vs 画像分類（Image Classification）

画像分類は「画像全体が何であるか」を1つのラベルで答えるタスクで、位置情報は扱いません。YOLOが解く物体検出は「画像内の複数の物体それぞれの位置とラベル」を答えるタスクであり、扱う情報量・難易度が異なります。

YOLO vs セグメンテーション（U-Net、Mask R-CNNなど）

YOLOの基本出力は矩形（バウンディングボックス）ですが、セグメンテーションは物体の輪郭に沿ったピクセル単位の領域を出力します。医療画像診断のように輪郭の精密さが必要な用途ではU-Netのようなセグメンテーションモデルが選ばれることが多く、YOLOv8以降ではセグメンテーション機能（YOLO-Seg）も統合APIとして提供されていますが、精密な輪郭抽出が主目的の場合は専用のセグメンテーションモデルとの比較検討が推奨されます。

実装とツール（実務ポイント）

YOLOは元々C言語ベースの独自フレームワーク「Darknet」で実装されていましたが、現在ではPyTorchベースの実装が主流です。特にUltralytics社が公開しているPythonパッケージ「ultralytics」は、pipで導入でき、学習・推論・エクスポートまでをシンプルなAPIで統一的に扱えるため、研究・実務の両方で広く使われています。

pip install ultralytics

from ultralytics import YOLO

# 学習済みモデルの読み込み（COCOデータセットで事前学習済み）
model = YOLO("yolo11n.pt")

# 画像に対する推論
results = model("street.jpg")

# 独自データセットでのファインチューニング
model.train(data="my_dataset.yaml", epochs=100, imgsz=640)

実務で導入する際のポイントは以下の通りです。

• データセットとアノテーション：学習には「クラスID 中心x 中心y 幅 高さ」を1行ずつ記述するYOLO形式のラベルファイルが一般的で、LabelImg・Roboflow・CVATなどのアノテーションツールがこの形式へのエクスポートに対応しています。
• 評価指標：予測ボックスと正解ボックスの重なり度合いを示すIoU（Intersection over Union）を基準に、Precision（適合率）とRecall（再現率）のバランスを示すmAP（mean Average Precision）でモデル性能を比較するのが標準的です。
• モデルサイズの選定：Ultralytics系はnano／small／medium／large／extra-largeなど複数サイズが用意されており、エッジデバイスでの速度優先ならnano系、精度優先ならlarge系を選ぶといった使い分けが定石です。
• エッジ・現場展開：ONNXやTensorRTへのエクスポートによる高速化、NVIDIA Jetsonシリーズや各種NPU（ニューラル処理ユニット）搭載デバイスへの組み込みなど、現場のハードウェア制約に合わせた最適化がセットで検討されます。
• ライセンス確認：Ultralytics製YOLO（v8、v11など）はAGPL-3.0で公開されており、ソースコードを公開しない商用製品に組み込む場合は別途Enterpriseライセンスの取得が必要になる点に注意が必要です。バージョンや配布元によってライセンス条件が異なるため、導入前の確認が欠かせません。

2025〜2026年の最新動向

2024年9月にUltralytics社が発表した「YOLO11」は、従来版よりパラメータ数を抑えながら精度・速度のバランスを改善したモデルとして、2025〜2026年時点でも実務導入の中心的な選択肢の一つになっています。また2025年には清華大学系の研究チームが、CNNではなくAttention機構を設計の中心に据えた「YOLOv12」を発表するなど、YOLO系列自体がTransformer系技術との融合を進めている点が近年の大きな流れです。

もう一つの潮流が「オープン語彙（Open-Vocabulary）物体検出」です。従来のYOLOは学習時に定義した固定クラス（COCOデータセットの80クラスなど）しか検出できませんでしたが、「YOLO-World」のようにテキストプロンプトで検出対象を指定できる拡張モデルが登場し、事前に想定していなかった物体もクラス名を入力するだけで検出できるようになりつつあります。これは画像認識と自然言語処理が融合する、マルチモーダルAIの流れの一環と位置づけられます。

さらに、ロボティクスや現場の自動化を担う「フィジカルAI」「AIエージェント」分野の拡大に伴い、カメラ映像を解釈して行動判断を行うロボットやドローンの「目」としてYOLO系モデルを呼び出すケースが増えています。生成AIエージェントが画像認識ツールの一つとしてYOLOの推論結果をAPI経由で参照し、後続の判断（在庫アラート、異常通知など）に活用する構成も実務で見られるようになってきました。あわせて、エッジ側での省電力・低遅延推論を目的とした量子化（INT8化など）やNPU向け最適化の需要も引き続き高まっています。

まとめ

YOLOは、物体検出を「候補領域の提案」と「分類」に分けていた従来の2段階アプローチから、「画像を一度見るだけ」で位置とクラスを同時に予測する1段階アプローチへと転換させた技術です。2015年のYOLOv1から現在のYOLO11・YOLOv12に至るまで、アンカーフリー化・マルチタスク統合・Attention機構の導入など進化を続けており、製造業の外観検査から自動運転、小売の店舗分析、農業、ロボティクスまで幅広い現場で採用されています。導入にあたっては、精度と速度のトレードオフ、ライセンス条件、対応タスク（検出のみかセグメンテーション・姿勢推定も必要か）を踏まえてバージョンとモデルサイズを選定することが実務上のポイントです。

この用語についてもっと詳しく

YOLOに関するご質問や、システム導入のご相談など、お気軽にお問い合わせください。

よくある質問（FAQ）

関連用語

• ResNet - YOLOの特徴抽出部（バックボーン）としてもしばしば利用される代表的なCNNアーキテクチャ
• U-Net - バウンディングボックスではなくピクセル単位で領域を出力するセグメンテーションモデル
• Transformer - DETRやYOLOv12など、近年のYOLO系列にも取り入れられつつあるAttentionベースのアーキテクチャ
• Attention（注意機構） - YOLOv12などが検出精度向上のために部分的に取り入れている計算メカニズム
• 機械学習 - YOLOが応用される深層学習・物体検出タスクの上位概念
• 人工知能（AI） - コンピュータビジョン・物体検出技術全体が位置づけられる技術分野

外部リンク・参考資料

• You Only Look Once: Unified, Real-Time Object Detection（原論文, arXiv:1506.02640）
• Ultralytics公式ドキュメント（YOLO11・YOLOv8の実装・使い方）
• Ultralytics公式GitHubリポジトリ
• Joseph Redmon氏によるDarknet/YOLO公式ページ（オリジナル実装）