物体検出とは？仕組み・代表手法の比較から実装判断までエンジニア向けに解説

物体検出（Object Detection）は、画像や映像から「何が・どこに」写っているかを、クラス名とバウンディングボックス（矩形座標）の組として出力するコンピュータビジョン技術です。画像全体に1つのラベルを付ける画像分類と違い、複数の物体の位置まで特定できるため、外観検査・在庫管理・防犯カメラといった業務システムに組み込みやすいのが特徴です。この記事では、物体検出の仕組みとIoU・mAPなどの評価指標、YOLO・SSD・Faster R-CNN・RT-DETRといった代表手法の比較、そして受託開発の現場で問われるモデル選定・ライセンス・アノテーション工数の判断基準までを整理します。

まとめ：物体検出の要点と手法選定・実装判断の結論

物体検出は「位置の特定」と「クラス分類」を同時に行う技術で、出力はバウンディングボックス＋クラス名＋信頼度スコアの組です。画素単位の輪郭が要るならセグメンテーション、位置が不要ならより安価な画像分類と、要件に応じて使い分けます。手法は2段階系（Faster R-CNNなど）・1段階系（YOLO・SSD）・Transformer系（DETR・RT-DETR）の3系統に整理でき、2026年時点の新規案件ではリアルタイム性を重視するYOLO系か、後処理NMSが不要なRT-DETR系が第一候補になります。

実装判断で見落とされがちなのはライセンスと学習データの費用です。Ultralytics社のYOLOv8/YOLO11はAGPL-3.0で提供され、ソース開示を避けるには有償の商用ライセンス契約が要ります。一方RT-DETR（PaddleDetection実装）はApache-2.0で商用制約が緩やかです。学習にはクラスごとに1,500枚規模の画像とアノテーションが必要になるため、まず小規模データでPoCを行い、精度と費用の見通しを得てから本開発へ進む段取りを推奨します。

物体検出の基本概念と画像分類・セグメンテーションとの技術的な違い

物体検出を正しく発注・設計するには、隣接タスクとの境界と評価指標の読み方を押さえておく必要があります。ここでは出力の構造から順に整理します。

バウンディングボックスによる位置特定とクラス分類を同時に行う処理の構造

物体検出モデルの出力は、1物体につき「矩形座標（x, y, 幅, 高さ）」「クラス名」「信頼度スコア（0〜1）」の3点セットです。1枚の画像から複数の物体を同時に検出でき、たとえば製造ラインの画像から「傷 0.92」「欠け 0.87」のように種類と位置を一度に返せます。内部では、CNNやTransformerで画像から特徴マップを抽出し、候補領域ごとに分類と座標回帰を行うのが共通の骨格です。多くの手法では同一物体に重複した候補枠が出るため、NMS（Non-Maximum Suppression）で信頼度の高い枠だけを残す後処理を挟みます。この後処理の有無が、後述するYOLO系とDETR系の設計上の分かれ目になります。

画像分類・物体検出・セグメンテーションの出力単位と選び分けの基準

コンピュータビジョンの主要タスクは出力単位で区別すると迷いません。画像分類は「画像1枚に1ラベル」、物体検出は「物体ごとに矩形＋ラベル」、セマンティックセグメンテーションは「画素ごとにラベル」、インスタンスセグメンテーションは「物体ごとに画素マスク」を返します。アノテーションの手間はこの順に増え、矩形を引くだけの物体検出に対し、輪郭をなぞるセグメンテーションは1枚あたりの作業時間が数倍になります。「不良品が写っているかだけ分かればよい」なら画像分類で足り、「面積や輪郭形状まで測りたい」場合に限ってセグメンテーションを選ぶ、というのが費用対効果の分岐です。画像認識全体の枠組みと開発の進め方は画像認識AIとは？仕組み・できること・開発の進め方をわかりやすく解説で整理しています。

IoUとmAPで測る検出精度の評価指標とCOCOベンチマークの読み方

検出精度の基本指標はIoU（Intersection over Union）です。予測枠と正解枠の重なり率を0〜1で表し、IoUが0.5以上なら正解とみなす、といったしきい値運用をします。モデル全体の精度はmAP（mean Average Precision）で表し、標準ベンチマークのCOCOデータセット（80クラス）では、IoUしきい値を0.5から0.95まで変えて平均した mAP 50-95 が公式指標です。論文やモデルカードの「mAP 53.1」という数値はこのCOCO基準を指すことが多く、自社データでの精度とは切り離して読む必要があります。受託開発の検収では、COCOの数値ではなく顧客データでの検出率・誤検出率をKPIに置き直すのが実務上の要点です。

YOLO・SSD・R-CNN系・DETR系まで代表手法の仕組みと精度・速度の比較

物体検出の手法は、候補領域の作り方で2段階系・1段階系・Transformer系の3系統に分かれます。系統ごとの設計思想を知っておくと、モデル選定の議論が速くなります。

R-CNNからFaster R-CNNへの改良と2段階検出の精度面の強み

2段階系は「候補領域を出す→各領域を分類する」という手順を踏む方式です。2014年発表のR-CNNは候補領域ごとにCNNを回すため1枚の処理に数十秒かかりましたが、2015年のFaster R-CNNは候補領域の生成自体をRPN（Region Proposal Network）というネットワークに置き換え、GPU上で毎秒5枚前後（論文時点・VGG16構成）まで短縮しました。2段階で絞り込む分、小さい物体や込み入ったシーンでの精度が安定しやすく、リアルタイム性が不要な検査用途では2026年時点でも現役です。一方で構成が複雑で推論も重いため、エッジデバイスへの搭載には向きません。

YOLOとSSDによる1段階検出の高速性とリアルタイム処理の適性

1段階系は候補領域の生成を省き、画像全体から直接、枠とクラスを回帰します。2016年発表のYOLO（You Only Look Once）は毎秒45枚（論文時点）の処理速度でリアルタイム検出を実現し、同年のSSDは複数解像度の特徴マップを併用して小物体への弱さを補いました。YOLOはその後も系譜が続き、2024年2月発表のYOLOv9はGELANという構造で精度と軽さを両立し、Ultralytics社のYOLO11（2024年9月公開）は中型のmモデルでCOCO mAP 50-95が51程度（公表値）に達しています。動画ストリームを扱う防犯・監視や、タクトタイムの短い製造ラインでは、まず1段階系が候補です。YOLOv9の環境構築から推論までの具体的な手順はYOLOv9を用いた物体検出の実行手順と実例で解説しています。

DETR・RT-DETRなどTransformer系検出器の仕組みと性能

2020年にFacebook AI Research（現Meta AI）が発表したDETRは、Transformerの注意機構で検出を集合予測問題として解き、アンカーボックスもNMS後処理も不要にした転換点です。初代DETRは学習の収束が遅く実務では扱いにくかったものの、2023年にBaiduが発表したRT-DETRは、RT-DETR-R50構成でCOCO mAP 53.1・T4 GPUで毎秒約108枚（論文値）と、リアルタイム域でYOLO系と並ぶ性能を示しました。NMSがないため信頼度しきい値の調整だけで運用でき、混雑シーンで枠が消される副作用も起きません。仕組みの詳細とYOLOとの使い分けはRT-DETRとは？Baidu製リアルタイム物体検出モデルの仕組みとYOLOとの違いにまとめています。系統別の特性は次の表の通りです。

表はあくまで系統の傾向です。同じYOLO系でもnからxまでモデルサイズで精度と速度が大きく変わるため、最終判断は自社データでのベンチマークで行います。

外観検査・在庫管理・防犯カメラでの物体検出の業務適用と導入形態

物体検出が業務システムとして成立するかは、モデルの精度そのものより、撮影環境とデータ設計で決まる場面が多くあります。代表的な3用途で実務要件を見ていきます。

製造ラインの外観検査に物体検出を導入する構成と不良検出の実務要件

外観検査では、傷・欠け・異物混入など「種類と位置が定義できる不良」を検出対象にします。構成は、ライン上のカメラ＋照明＋推論用PC（またはエッジデバイス）が基本で、照明と撮影距離を固定できるほど少ないデータで精度が出ます。実務上の分岐は不良の性質です。不良の種類が既知で画像を収集できるなら物体検出が適し、「何が起きるか分からない未知の不良」を拾いたい場合は、良品画像だけで学習する異常検知の方が適します。不良品画像は発生率が低く集まりにくいため、データ拡張や不良サンプルの人工生成を前提に、収集計画を要件定義の段階で確定させておくことが後戻りを防ぎます。

在庫管理・棚割り確認への適用と撮影環境・遮蔽が精度に与える影響

小売・物流では、棚の商品を検出して欠品や棚割り（プラノグラム）との差分を確認する用途があります。ここで壁になるのはSKUの多さです。数千SKUを1つの検出モデルのクラスとして学習させるのは現実的でなく、「商品という1クラスを検出→切り出した画像を特徴量照合で個体識別」という2段構成に分けるのが定石です。もう1つの壁が遮蔽（オクルージョン）で、商品同士の重なりや手前の什器で枠が欠けると計数を誤ります。カメラの設置角度を見直すだけで精度が数十%変わることもあるため、モデル改良より先に撮影条件を設計するのが順序です。

防犯・監視カメラでの人物検出とエッジデバイス処理の設計上の制約

防犯・監視では、人物や車両の検出をトリガーに録画・通知を行います。映像をクラウドへ常時送るのは帯域とプライバシーの両面で不利なため、カメラ近くのエッジデバイスで推論し、検出イベントだけを送る構成が主流です。エッジ側の選択肢としては、NVIDIA Jetson Orin Nano（公称40TOPS・INT8、2023年発売の開発者キット）や、Raspberry Pi 5にHailo-8Lアクセラレータ（公称13TOPS）を載せるAI Kit（2024年発表）などがあり、軽量なYOLO系のnサイズモデルなら毎秒数十枚の推論が現実的です。夜間・逆光では精度が落ちるため、赤外線カメラの併用や、時間帯別にしきい値を変える運用設計まで含めて要件化します。

受託開発で物体検出を実装する際のモデル選定基準とライセンスの落とし穴

技術選定の失敗は、精度不足よりもライセンスと費用見積もりの見落としから起きます。開発会社としての判断基準を条件付きで言い切ります。

精度・速度・運用コストで決めるモデル選定の判断基準と採用を見送る場面

選定は「求めるフレームレート→動かす場所（エッジかサーバーか）→許容できる誤検出率」の順で絞ると早く決まります。毎秒30枚の動画処理をエッジで行うならYOLO系の小型モデルかRT-DETRの軽量構成、静止画をバッチ処理する検査ならモデルサイズを上げて精度を取る、が基本線です。逆に、物体検出の採用を見送るべき場面も明確にあります。位置情報が要らず有無だけ分かればよい案件は画像分類で足り、アノテーション費用を大幅に抑えられる領域です。判定対象が1日数枚しか発生しない業務は自動化の回収が見込めず、人手の目視を残す方が安く済みます。また未知の不良を拾う検査は前述の通り異常検知の領分です。これらに物体検出を当てるのは過剰投資と判断します。

YOLO系のAGPL-3.0ライセンスが商用実装に与える制約と回避策

2026年時点で見落としが最も多いのがライセンスです。Ultralytics社が公開するYOLOv8・YOLO11はAGPL-3.0で提供されており、組み込んだソフトウェアを頒布する場合だけでなく、ネットワーク経由でサービス提供する場合にもソースコード開示義務が生じ得ます。開示を避けるにはUltralyticsの有償エンタープライズライセンス契約が必要です。YOLOv9の公式リポジトリもGPL-3.0系で、同様の検討が要ります。開示義務を避けたい商用案件では、Apache-2.0で提供されるRT-DETR（PaddleDetection実装）や、同じくApache-2.0系の検出フレームワークを第一候補にするのが当社の基本方針です。ライセンス確認は契約前の必須工程であり、PoC後にモデルを差し替えると学習・評価をやり直す手戻りが発生します。

アノテーション工数と学習データ量の見積もりが左右する開発費用の現実

物体検出の開発費用の相当部分はデータ整備が占めます。Ultralyticsの公式ドキュメントは、実運用水準の目安としてクラスあたり画像1,500枚以上・物体インスタンス10,000個以上を推奨しており、矩形アノテーションを外注する場合は枚数×クラス数に比例して費用が積み上がる構造です。事前学習済みモデルからの転移学習を使えば、PoC段階なら数百枚規模でも傾向はつかめるため、当社では「数百枚でPoC→精度の伸びしろを見てから本収集」という2段階の見積もりを標準にしています。この進め方や外観検査PoCの支援内容は画像認識AIモデル構築サービスとして提供しており、データ収集計画の段階から相談できます。

よくある質問

物体検出の検討時によく受ける質問を、検索されている疑問に沿って5つにまとめました。

物体検出と画像認識の違いは何ですか？

画像認識は画像から情報を読み取る技術の総称で、物体検出はその一分野です。画像認識には、画像1枚にラベルを付ける画像分類、文字を読み取るOCR、画素単位で領域を分けるセグメンテーションなどが含まれ、物体検出は「何が・どこに」を矩形座標で特定するタスクを指します。上位概念か個別タスクかの関係で、対立する技術ではありません。

物体検出のAIモデルはどれを選べばよいですか？

2026年時点の新規開発なら、リアルタイム処理はYOLO系の軽量モデルかRT-DETR、精度優先の静止画検査は大きめのモデルサイズ、という絞り方が出発点です。ただし商用案件ではライセンスが先に効きます。ソース開示を避けたい場合はAGPL-3.0のUltralytics系を避け、Apache-2.0のRT-DETR系を検討してください。最終判断は自社データ数百枚でのPoC比較が確実です。

物体検出の学習に必要な画像枚数はどのくらいですか？

実運用水準の目安として、Ultralytics公式ドキュメントはクラスあたり画像1,500枚以上・インスタンス10,000個以上を推奨しています。ただし事前学習済みモデルからの転移学習であれば、PoC段階はクラスあたり数百枚でも精度の傾向を確認できます。撮影条件を固定できる検査用途ほど少ない枚数で精度が出やすく、屋外や多様な環境ではより多くの枚数が必要です。

YOLOは商用利用できますか？

できますが条件があります。Ultralytics社のYOLOv8・YOLO11はAGPL-3.0のため、無償のまま使うと組み込み先ソフトウェアのソース開示義務が生じ得ます。開示を避けるには有償のエンタープライズライセンス契約が必要です。開示義務そのものを避けたい場合は、Apache-2.0で提供されるRT-DETRなどライセンス制約の緩いモデルを選ぶ方法があります。契約形態は変わることがあるため、採用時点で公式サイトの最新条件を確認してください。

物体検出をスマートフォンやエッジデバイスで動かせますか？

動かせます。YOLO系の小型モデルはONNXやTensorRT、CoreML形式へ変換でき、NVIDIA Jetson Orin Nano（公称40TOPS）やRaspberry Pi 5＋Hailo-8L（公称13TOPS）といったエッジデバイスで毎秒数十枚の推論が現実的です。スマートフォンでもiOSのCore MLやAndroidのLiteRT経由で動作します。モデルサイズと精度はトレードオフのため、要求フレームレートから逆算して選定します。

関連記事

• 画像認識AIとは？仕組み・できること・開発の進め方をわかりやすく解説：物体検出を含む画像認識AI全体の枠組みと開発の進め方を判断ハブとして整理した記事です。
• YOLOv9を用いた物体検出の実行手順と実例：本記事で紹介したYOLO系の最新版を、環境構築から推論まで実際に動かす手順の解説です。
• RT-DETRとは？Baidu製リアルタイム物体検出モデルの仕組みとYOLOとの違い：NMS不要のTransformer系検出器RT-DETRの仕組みとYOLOとの使い分けを掘り下げた記事です。