YOLO11でカメラを使って物体検出してみる

はじめに

これまでyoloをまともに動かしたことがなかったのでやってみます。とりあえず物体検出をローカルで。
今年に入ってv9からv10、さらに11と次々にリリースされており、現在最新のyoloはYOLO11になるそうです。なぜかversionのvが抜けています。

ドキュメントを読んでみる

yolov10までは日本語で読めるのですが、11は英語のみでgoogle翻訳も何故か反応無し。頑張って読むしかない。（結局DeepL使いました）
詳しい解説まではしませんが、前モデルと比較して図のように速度と精度が上がっているようです。どうやらyolov8からネットワークのパラメータ数を削減したのにもかかわらず、精度が向上しているとか。

環境の詳細

使用したPC環境です。

項目	バージョン
CPU	Ryzen5 3600
GPU	RTX 3060
OS	Ubuntu22.04
webカメラ	オーム電機 WB-CA200N

ライブラリなど

項目	バージョン
Python	3.10.12
ultralytics	8.3.9
opencv-python	4.9.0.80

動かしてみる

UltralyticsとOpenCVをpipでインストール

pip install ultralytics

今回はwebカメラの映像を使ってリアルタイム推論させます。よってOpenCVもインストール。

pip install opencv-python

Pythonのスクリプト

とりあえずこんな感じ。（ChatGPT作）
物体検出を行うyolo11で最も小さいモデルであるyolo11n.ptを選択しています。

yolo11_detection.py

import cv2
from ultralytics import YOLO

# YOLOv11のモデルをロード
model = YOLO("yolo11n.pt") 

# Webカメラの起動
cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # YOLOで物体検出を行う
    results = model(frame)

    # 結果をフレームに描画して表示
    annotated_frame = results[0].plot()

    # ウィンドウに描画した結果を表示
    cv2.imshow("YOLO Detection", annotated_frame)

    # 'q'を押すと終了
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

実行

python3 yolo11_detection.py

机にあるものを適当に選んで検出させてみました。MacBookは閉じたままでも検出できていました。

平均のFPSを求めてみる

モデルの大きさごとに平均のFPSを求めてみました。

以下のPythonスクリプトはQキーが押されたとき、それまでの平均FPSを計算し、出力してから推論を終了するように改変したものです。（ChatGPT作）

yolo11_detection.py

import cv2
import time
from ultralytics import YOLO

# YOLOv11のモデルをロード
model = YOLO("yolo11n.pt") # ここを使用したいモデル名に変更し、実験した

# Webカメラの起動
cap = cv2.VideoCapture(0)

# FPS計算のための変数
frame_count = 0
total_time = 0

while cap.isOpened():
    start_time = time.time()  # フレーム処理開始時間を記録

    ret, frame = cap.read()
    if not ret:
        break

    # YOLOで物体検出を行う
    results = model(frame)

    # 結果をフレームに描画して表示
    annotated_frame = results[0].plot()

    # ウィンドウに描画した結果を表示
    cv2.imshow("YOLO Detection", annotated_frame)

    # フレーム処理にかかった時間を計算
    frame_time = time.time() - start_time
    total_time += frame_time
    frame_count += 1

    # 'q'を押すと終了
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 平均FPSを計算
if frame_count > 0:
    average_fps = frame_count / total_time
    print(f"Average FPS: {average_fps:.2f}")

cap.release()
cv2.destroyAllWindows()

推論を実行し、しばらくカメラを
結果は以下の表のようになりました。

モデル名	平均FPS
yolo11n.pt	32.11
yolo11s.pt	31.99
yolo11m.pt	31.81
yolo11l.pt	31.77
yolo11x.pt	31.33

モデルごとにもう少し変化があると思っていましたが、結果としては微々たる誤差でした。

ちなみに、最も大きいモデルであるyolo11x.ptでは以下の図のような推論結果でした。
先程のyolo11n.ptと比較し、テーブル（ダイニング用ですが）が検出できていたり、スマホの識別スコアが上がっていたりしていました。精度には違いがありそうです。