YOLO – 物体検知AIの仕組みと発展の過程

シリコンバレーから現役データサイエンティストのインサイトをお届けする「The Insight」。今回取り上げるのは、物体検知AIの「YOLO」です。

論文データ：

今回のディスカッション対象の論文をご紹介します。

物体検知の基本的な仕組みと、他のAIと比較した際のYOLOの特徴を紹介します。

YOLOは「You Only Look Once」の略称で、物体検知を行うAIです。2015年に最初のバージョンがJoseph Redmon 氏より発表されて以来、物体検知の最先端で使われ続けています。

そもそも物体検知とは、画像中に何が写っているかを判別する技術のことです。画像を処理するAIを開発するうえで必須となる、基礎的な機能だといえます。

物体検知を行う際には、画像中に「バウンディングボックス」と呼ばれる長方形の領域を取り出し、そこに写っている物体が何なのかを特定します。

下図はYOLOを使用して作成したバウンディングボックスの例です。

（画像引用：https://arxiv.org/pdf/1506.02640.pdf）

AIが「この物体は何なのか」を判別する際には、「分類器」と呼ばれる仕組みを使います。

まず、あらかじめ「ネコ」「バナナ」「人」といったタグを付けられた大量の画像を読み込み、分類器に物体の特徴を保存しておきます。

そのうえで画像を分析する際には、バウンディングボックス内の物体と分類器内の情報を照合して、「人が写っている」などと特定するのです。

2015年にYOLOが登場する以前より、R-CNN（Region based Convolutional Neural Networks）を代表例として、物体検知の手法は存在しました。The Insight の過去記事「画像認識における物体検出、その仕組みと応用例」でR-CNN を解説しているので、ぜひあわせてお読みください。

当時の手法は、以下の2段階の処理で物体検知を行うのが主流でした。

こうした処理方法が発展したことで、高い精度で「画像に何が写っているか」を特定できるようになったのです。ただし、2段階の処理は「時間がかかる」という弱点を抱えていました。

以前から物体検知の応用が期待されていたのが、車の自動運転です。車を安全に走行させるためには、周囲にある物体が何なのか、正確に見分ける必要があります。

車の走行中には周囲の状況が刻一刻と変わるため、物体検知は瞬時に終わらせることが欠かせません。しかし、従来の物体検知の手法では、リアルタイムでの対応はできなかったのです。