物体検出モデル構築マニュアル

モデル構築の流れ

  • Mac（macOS）および Windows 環境にて自作の物体検出AIモデルを作成し、アプリに導入する手順を解説します
  • GUIで構築できる「Create ML（Mac専用）」と、「Ultralytics YOLO（Mac/Win両対応）」の2つの学習手法について解説します

対象物の様々な個体、サイズ、方向の

写真を用意（1000枚程度）

▼

　アノテーション

（AIに学習させるためのラベル付け作業）

▼

　学習の実行・モデル変換

▼

　アプリ等に組み込んでの検証

▼

モデルの構築完了

モデル構築の流れ

モデル構築 5つのステップ

  • STEP 1：作業環境の準備（venv 仮想環境の構築 【Mac/Win分岐】）
  • STEP 2：画像データの収集（検出対象の写真・動画の撮影と収集）
  • STEP 3：アノテーション（バウンディングボックスのラベル付け）
  • STEP 4：AIモデルの学習（Create ML または Ultralytics YOLO）
  • STEP 5：アプリ導入と検証（Core MLモデルのインポートと動作確認）

STEP 1：作業環境の整備（venv仮想環境）

  • Python、PyToach、YOLOなどの必要なプログラムをインストールします
  • システム環境を汚さないよう、専用のPython仮想環境（.venv）を作成して安全に作業します
  • お使いのOS（Mac または Windows）に合わせてコマンドを実行してください

【最先端・裏ワザ】AIエージェントに丸投げして全自動構築する（推奨）

  • 黒い画面（ターミナル等）の操作が不安な方や時間を節約したい方は、お使いのAIアシスタント（Google Antigravity, Cursor 等のAIエージェント）に以下の指示文をコピー＆ペーストするだけで、お使いのPCに合わせて全自動で環境構築が完了します！
  • さらに、次回以降は「ダブルクリックだけでアノテーションツールが一発起動する専用スクリプト」まで自動生成させることができます！

AIエージェントへの自動構築・起動スクリプト作成プロンプト（コピー用）

私のパソコン上で「AI物体検出モデル構築」の作業環境を自動でセットアップしてください。
お使いのOS環境（Mac または Windows）に合わせて以下の順序でコマンドを実行し、正常に完了するまでサポートしてください：
1. システムのPythonバージョンを確認（3.9〜3.12推奨、3.11最適）。新しすぎたり古すぎる場合は共存版を利用する
2. ai_object_detection フォルダを作成し、専用の .venv 仮想環境を作成してアクティベートする
3. もしWindowsでNVIDIA製GPUが搭載されている場合は、YOLOより先にPyTorch公式サイトのコマンド（例: cu118 / cu121 等のCUDA対応版）を用いてGPU専用PyTorchを優先インストールする
4. pip を最新化し、OSに合わせて以下のコマンドを一言一句違わず実行してツールを導入する。勝手な推測によるパッケージ名変更（例: anylabeling への変更）は厳禁：
   - Macの場合: pip install PyQt6 x-anylabeling ultralytics
   - Windowsの場合: pip install x-anylabeling ultralytics
5. 次回以降、ダブルクリック等で簡単・瞬時に x-anylabeling を起動できるよう、OSに合わせた起動スクリプト（Mac用 .command または Windows用 .bat/.ps1）を作成して作業フォルダに配置する
6. インストール完了後、正常に起動するか検証し、次回以降の最もカンタンな起動手順を報告してください。
  • これをAIに送信するだけで、システムの環境判定・仮想環境作成・GPU最適化・ツール導入から、「ダブルクリック起動スクリプト作成」までを失敗ゼロで自動実行してくれます

1-1. 現在のPython環境の確認と対応手順（手動で進める場合）

  • まずはターミナルまたはコマンドプロンプトでバージョン確認コマンドを実行します：
  • Macの場合：python3 --version
  • Windowsの場合：python --version
  • AIアノテーションやYOLO学習で最も安定して動作する推奨バージョンは Python 3.9 〜 3.12（推奨：3.11） です

確認結果による3つの対応パターン

  • パターンA（推奨バージョンが表示された場合）：何も追加する必要はありません。「1-2. 仮想環境の作成」へそのまま進んでください
  • パターンB（未インストールの場合）：公式サイト（python.org/downloads）より Python 3.11 をダウンロードしてインストールします（※Windowsは必ず「Add python.exe to PATH」にチェックを入れます）
  • パターンC（新しすぎる場合・古すぎる場合）：公式サイトより Python 3.11 を追加で共存インストールし、後述の「バージョンを明示的に指定して .venv を作成するコマンド」を使用してください

1-2. 【Mac版】環境構築とツールの導入

  • ターミナルを開き、フォルダと .venv を作成して有効化・インストールします：
mkdir -p ~/ai_object_detection
cd ~/ai_object_detection
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip
pip install PyQt6 x-anylabeling ultralytics
  • ※新しすぎる／古すぎる状況で Python 3.11 を追加した場合は、python3 の代わりに python3.11 -m venv .venv と入力すると確実に指定できます
  • ※Create ML（GUI学習）を使う場合は Mac App Store から Xcode もインストールします
  • ※Macの場合は標準でインストールされる PyTorch が Apple GPU (Metal/MPS) に自動対応しているため、追加の設定は不要です

1-3. 【Windows版】環境構築とツールの導入

  • コマンドプロンプトまたは PowerShell を開き、同様に仮想環境を作成して有効化します：
mkdir ai_object_detection
cd ai_object_detection
python -m venv .venv
  • ※Python 3.11 を追加インストールしてバージョン指定する場合は、py -3.11 -m venv .venv で仮想環境を作成できます
  • 有効化コマンド（コマンドプロンプト）：.venv\Scripts\activate.bat
  • 有効化コマンド（PowerShell）：.venv\Scripts\Activate.ps1
  • ツールのインストール：
python -m pip install --upgrade pip
pip install x-anylabeling ultralytics
  • 💡 【Windows向け超重要】NVIDIA製 GPU で超高速学習を行いたい方へ：
    上記のインストールコマンドを実行すると自動的に PyTorch が入りますが、これは「CPU専用版」になることがあります。PCに NVIDIA 製の GPU (グラフィックボード) が搭載されている場合、ultralytics をインストールする前に、PyTorch公式サイト の案内に従い、ご自身の環境に適合した「GPU専用 PyTorch (CUDA対応版)」を先行してインストールしてください。これにより学習速度が数十倍アップします！

1-4. X-AnyLabeling（アノテーションツール）の起動

  • Mac・Winともに、仮想環境が有効な状態で下記コマンドを入力すると起動します：
x-anylabeling

 

STEP 2：画像データセットの収集・準備（Mac/Win共通）

多様な撮影例
多様な撮影例

必要な画像枚数の目安

  • 1クラスあたり最低 30〜50枚、実用精度を得るには100枚〜300枚以上の画像を用意します

撮影・データ作成のポイント

  • 実際に検出する現場や環境に対応する画像データを用意します。
  • 多様なアングル：真上、斜め、横方向など様々な角度から撮影します
  • 多様な環境：照明の明るさや背景の種類を変えて撮影します
  • 重なりや距離：対象物が密着している状態や距離の異なる状態を網羅します
  • 動画（.mp4）から数コマおきに静止画を切り出してデータセットにする方法も有効です

STEP 3：X-AnyLabeling によるアノテーション（Mac/Win共通）

X-AnyLabeling の起動とフォルダ読み込み

  • 仮想環境が有効な状態でコマンド入力して起動します：x-anylabeling
  • 画面左上の「Open Dir」から画像が保存されているフォルダを開きます

バウンディングボックスの描画

  • キーボードの R（Rectangle）を押し、画像内の検出対象物をマウスドラッグで正確に囲みます
  • 囲み終わったらラベル名（例：strawberry など）を入力・選択します
  • 全ての画像に対してアノテーション作業を行います

データセットのエクスポート

  • 作業完了後、学習方法に合わせた形式で「Export」を行います
  • Create ML 用（Mac向け）：COCO JSON または Create ML フォーマットで書き出します
  • Ultralytics YOLO 用（共通）：YOLO フォーマットで書き出し、images / labels フォルダと設定ファイルを生成します

STEP 4-A：【ルートA】Create ML でのモデル学習（GUI / ※Mac専用）

  • プログラムを書かずにマウス操作のみで Core ML モデルを作成できるおすすめの手法です（※Mac環境専用）

Create ML の起動

  • Xcode のメニューバーより Xcode ＞ Open Developer Tool ＞ Create ML を選択します
  • 「New Document」からテンプレート 「Object Detection」 を選択します

データセットの指定と学習開始

  • Training Data にSTEP 3で書き出したデータセットを選択します
  • Iterations（反復回数） を指定（推奨目安：2000〜5000回）し、画面上の 「Train」 ボタンを押して学習を実行します

モデルの保存（エクスポート）

  • 学習完了後、「Output」タブより 「Get」 をクリックし、作成された .mlmodel （または .mlpackage）ファイルを保存します

STEP 4-B：【ルートB】Ultralytics YOLO でのモデル学習（CLI / Mac・Win両対応）

  • MacおよびWindowsで利用可能な、高度で高速なYOLOアルゴリズムを活用するプロ向け手法です

data.yaml の作成

  • データセットフォルダ内にクラス情報を記述した data.yaml を準備します：
path: /absolute/path/to/dataset
train: images/train
val: images/val
names:
  0: strawberry
  1: leaf

学習コマンドの実行

  • ターミナルまたはコマンドプロンプトでデータセットの場所へ移動し、次のコマンドで学習を開始します：
yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640

Core ML 形式へのエクスポート ※重要

  • 学習完了後、完成した最適な重み（best.pt）をiOS向けに変換・出力します：
yolo export model=runs/detect/train/weights/best.pt format=coreml nms=True
  • ※ Windows環境でも、このコマンドでiOSアプリ用 .mlpackage / .mlmodel の変換・出力が可能です

STEP 5：アプリへのインポートと検証

iPhone / iPad へのモデル転送（Mac・Windows別）

  • Macの場合：AirDrop で iPhone / iPad へ直接送信するのが最もカンタンです
  • Windowsの場合：ブラウザから iCloud.com (iCloud Drive) にアップロードするか、Google Drive 等のクラウドに保存し、iPhoneの「ファイル」アプリから端末内にダウンロードします

アプリでのインポートと検証手順

  • 「AI物体検出カウンターアプリ」を起動し、メイン画面から 「AIモデル管理画面」 を開きます
  • 画面右上の 「＋（追加ボタン）」 をタップし、転送したモデルファイルを選択してインポートします
  • インポートされたモデル行をタップしてチェックマーク（✓）を入れます
  • 解析画面へ移動し、自作モデルで正しく対象物が検出・カウントされるか動作検証を行います