AI監視システムの導入プロジェクトにおいて、現場運用に耐えうる「速度」と「精度」のバランス調整は、実用化の成否を分ける重要な課題です。
不審者検知システム、特に侵入検知や異常行動検知において、求められる要件は過酷です。不審者がフェンスを乗り越えるその一瞬を捉えるためには、高いフレームレートでの処理、すなわちリアルタイム性が不可欠です。一方で、揺れる木々や野良猫、車のヘッドライトの影を人影と誤認してアラートを鳴らし続ければ、現場でのシステムへの信頼は失われ、最終的には運用されなくなる可能性があります。
この課題を解決するための有力な選択肢として、現在多くの開発現場で採用が進んでいるのがYOLOv8をはじめとするYOLOシリーズです。Ultralytics社が開発したYOLOv8は、推論速度と精度のバランスが劇的に向上しており、アンカーフリー（Anchor-Free）な検出方式を採用したことで、不規則な形状の物体や重なり合った対象の検出にも強みを見せました。そして現在、この系譜はさらなる進化を遂げ、最新のYOLO26（2026年1月リリース）へと至っています。
しかし、ここで「YOLOには複数のモデルサイズや設定オプションがあるが、結局エッジ環境ではどれを使えばいいのか」という実装上の課題が生じます。
監視システムに求められるFPSの最低ライン
まず、速度の指標であるFPS（Frames Per Second）について分析します。映画やテレビは通常24～30FPS、滑らかなゲーム映像なら60FPSが基準とされますが、監視カメラ映像の解析において必要なFPSはどの程度でしょうか。
人間の歩行速度を時速4kmと仮定した場合、1秒間に約1.1メートル移動します。もしシステムが1FPS（1秒に1回の解析）しか処理できなければ、画角の端を横切る人物を一瞬しか捉えられない、あるいは完全にフレーム間で消失してしまうリスクがあります。特に、走り去る不審者や、フェンスを乗り越える素早い動作を検知するには、最低でも5FPSから10FPSの処理速度を安定して維持することが、実用上の最低ラインと定義できます。
GPUサーバーを複数台稼働できる環境であれば容易ですが、多くの監視システムは、通信帯域の制約やプライバシー保護の観点から、カメラ側や現場設置のゲートウェイ端末（エッジデバイス）での処理が求められます。限られた計算リソースの中で、いかにこのFPSを確保するかがシステム設計における重要な課題となります。ここで重要になるのが、モデルのパラメータ数だけでなく、推論後の処理負荷をいかに減らすかというアーキテクチャの選択です。
誤検知（False Positive）が運用コストに与える影響
次に精度の問題です。AIモデルの評価指標としてよく使われるmAP（mean Average Precision）は重要ですが、実運用の現場では「誤検知（False Positive）」と「見逃し（False Negative）」という2つのリスクに分解して評価する必要があります。
見逃しが許されないのは当然ですが、運用コストを増大させるのは「誤検知」です。例えば、工場で夜間監視AIを導入した際、一晩に多くの誤検知が発生した場合、警備員がその都度モニターを確認し、現場へ急行する運用となれば、本来の業務に支障をきたすだけでなく、人件費の増加にもつながります。
精度の高い大規模なモデルを使用すれば誤検知は減少する傾向にありますが、その分計算リソースを消費し、処理速度（FPS）は低下します。速度を優先して小規模なモデルを使用すれば、今度は誤検知が増加する傾向にあります。このトレードオフを、具体的な数値による検証なしに感覚だけで設計することは避けるべきです。特にエッジデバイスでの運用を前提とする場合、推論処理そのものに加えて、後処理（ポストプロセッシング）にかかる時間もシビアに見積もる必要があります。
なぜYOLOv8が候補に挙がるのか：アーキテクチャの進化
YOLOv8が監視システムの候補として強く支持されてきた理由は、このトレードオフの境界線を押し上げた点にあります。従来のYOLOシリーズで採用されていた「アンカーボックス（事前に定義された枠）」を使わないアンカーフリー検出への移行は、監視カメラ映像において大きな意味を持ちました。遠くの小さな人物や、手前に障害物があって体の一部しか見えていない人物など、定型的な枠に収まらない対象に対しても柔軟に検知できるようになったのです。
さらに、複数の公式情報（2026年1月リリースのYOLO26など）によると、アーキテクチャの進化がより顕著になっています。特筆すべきは、これまで推論速度のボトルネックとなっていたNMS（Non-Maximum Suppression：非最大値抑制）の廃止です。従来のモデルでは、重なり合った複数の検出枠から最適な1つを絞り込むためにNMSという後処理が必要でしたが、最新のNMS-free推論設計により「1物体につき1ボックス」を直接出力できるようになりました。これにより、エッジデバイスでの処理遅延が劇的に改善されています。
また、従来採用されていたDFL（Distribution Focal Loss）も推論速度向上を優先して撤廃され、距離の直接回帰へと変更されたことで、出力チャネルが簡素化されました。エッジ環境へデプロイする際は、NMS不要で最速の推論を可能にするOne-to-One Headの使用が新たに推奨されています。一方で、より高い精度が求められるケースではOne-to-Many Headを選択することもでき、要件に応じた柔軟な設計が可能です。
本記事では、これらの進化したYOLOアーキテクチャをエッジデバイスに実装する際の評価ポイントや、監視カメラ特有の悪条件映像を想定したベンチマークの観点から、現場のデータに基づいた実用的なモデルの選定基準を解説します。実際の移行や実装の際は、最新の公式ドキュメント（ultralytics.com等）で推奨されるHeadオプションや損失関数（ProgLossなど）の設定を確認することが、プロジェクト成功の鍵となります。
検証環境と評価メトリクスの定義
AIモデルの性能比較において、公平かつ実践的な条件設定は非常に重要です。論文に記載されているmAPの値は、多くの場合、高性能なサーバー用GPU（NVIDIA A100など）と、整備されたデータセット（COCOなど）を用いて計測されたものです。しかし、実運用で重要なのは「現場のカメラと、制約のあるエッジデバイスでどのようなパフォーマンスを示すか」です。
テスト環境：エッジデバイス（Jetson Orin Nano） vs クラウドGPU
本検証では、エッジAIのデファクトスタンダードとして広く採用されているNVIDIAのJetsonシリーズを対象とします。特に、コストパフォーマンスと性能のバランスから多くの量産プロジェクトで選定されるJetson Orin Nano (8GBメモリ)をメインターゲットとします。比較対象として、クラウド処理を想定したエントリークラスのGPU、NVIDIA T4も設定しました。
- エッジ環境: NVIDIA Jetson Orin Nano (8GB) / JetPack 5.1.1
- クラウド環境: NVIDIA T4 Tensor Core GPU (AWS g4dn.xlarge相当)
- フレームワーク: PyTorch 2.0 + Ultralytics YOLOv8
- 最適化: TensorRT FP16モード（半精度浮動小数点数）
ここで重要なのがTensorRTとFP16の使用です。PyTorchモデルをそのままエッジで稼働させることは稀です。実運用では、NVIDIAが提供する推論最適化ライブラリであるTensorRTを用いてモデルを変換し、さらに演算精度を32ビットから16ビットに落とす（FP16）ことで、精度をほぼ維持したまま数倍の高速化を図ります。この「実運用構成」での数値を計測して初めて、意味のあるベンチマークとなります。
評価データセット：夜間・混雑・遮蔽を含む監視映像
評価データには、一般的なCOCOデータセットではなく、実際のセキュリティカメラ映像に近い独自のデータセットを使用しました。不審者検知システムが最も苦戦するシチュエーションを意図的に集めています。
- 低照度環境: 夜間の駐車場や倉庫（ノイズが多く、輪郭がぼやける）
- オクルージョン（遮蔽）: フェンス越し、駐車車両の陰、植え込みからのぞく人物
- 遠距離小物体: 広角レンズのカメラで撮影された、画面奥の小さな人物（ピクセル数が極端に少ない）
これらの映像に対し、YOLOv8の5つのモデルサイズ（Nano, Small, Medium, Large, X-Large）を適用し、それぞれの挙動を記録しました。
評価指標：mAP50-95だけでなく「推論レイテンシ」を重視
評価指標としては、以下の3点を重点的に分析します。
- エンドツーエンド・レイテンシ (ms):
モデルの推論時間だけでなく、カメラからの画像取得、前処理（リサイズや正規化）、推論、後処理（NMS：重複枠の削除）を含めたトータル時間です。システム全体の遅延を表す最も重要な数値です。 - 実効FPS:
上記レイテンシから算出される、1秒間に処理できるフレーム数。 - シナリオ別検知成功率:
mAP（平均適合率）という全体平均ではなく、「夜間の黒服の人物」や「フェンス越しの人物」といった特定の難易度が高いシナリオにおける検知可否を定性的に評価します。
特にレイテンシに関しては、前処理と後処理がボトルネックになることがあります。YOLOv8はモデル自体が高速でも、検出される物体数が極端に多い場合（例えば混雑した駅など）、後処理のNMSに時間がかかり、全体のスループットが落ちることがあります。こうした遅延要因も定量的に分析します。
ベンチマーク結果：YOLOv8 NanoからX-Largeまで徹底比較
Jetson Orin Nano上での実測データを分析します。入力画像サイズは、監視カメラの標準的なアスペクト比とモデル学習サイズを考慮し、640x640に設定しています。
なお、2026年時点ではNVIDIAからBlackwellアーキテクチャを採用した次世代モジュール（Jetson T4000等）も発表されていますが、コストパフォーマンスと市場流通量の観点から、現場では依然としてJetson Orinシリーズが主力のエッジデバイスとして稼働しています。本検証も、この現実的なラインであるOrin Nanoをベースに行いました。
推論速度（FPS）の比較：エッジ環境での限界点
まず、速度比較です。Orin Nanoにおいて最も効率的なTensorRT FP16モード（半精度浮動小数点演算）での測定結果は以下の通りです（数値は平均値）。
- YOLOv8n (Nano): 68 FPS (約14.7ms)
- YOLOv8s (Small): 32 FPS (約31.2ms)
- YOLOv8m (Medium): 14 FPS (約71.4ms)
- YOLOv8l (Large): 7 FPS (約142.8ms)
- YOLOv8x (X-Large): 4 FPS (約250.0ms)
この結果から、エッジデバイスにおける明確な境界線が確認できます。
Nanoモデルは68 FPSという数値を記録しました。一般的な監視カメラのフレームレート（30FPS）に対して十分な余力があり、空いたリソースで人物追跡（Tracking）や属性推定といった追加処理を行うことが可能です。
Smallモデルも30 FPSをクリアしており、リアルタイム監視の要件を満たします。Jetson Orin Nanoクラスのデバイスにおいて、精度と速度のバランスが取れた最適な選択肢と言えるでしょう。
一方、Mediumモデルでは14 FPSとなり、単一ストリームの監視なら許容範囲ですが、複数カメラの同時処理は困難になります。
そしてLarge / X-Largeモデルは、Orin Nanoクラスでは実用的なリアルタイム性を確保できません。これらをエッジで運用するには、上位機種であるJetson AGX Orinや、最新のBlackwellアーキテクチャを搭載した次世代モジュールへの移行、あるいはH100などを搭載したサーバーサイドでの処理が必要となります。
検知精度（mAP）の比較：モデルサイズによる認識率の差
速度と引き換えに得られる精度には、現場運用でどの程度の差が出るのでしょうか。
Nanoモデルの課題は「遠距離」と「低照度」にあります。画面内で人物サイズが30x30ピクセルを下回る場合や、薄暗い環境下では、人間を背景の一部として見過ごす（False Negative）リスクがあります。特に、しゃがみこんだ姿勢や遮蔽物がある状態での検知力は限定的です。
Smallモデルでは、この状況が改善されます。Nanoでは捉えきれなかった「駐車場の奥の人影」も検知できるケースが増加します。mAPスコア上の数値差以上に、監視映像における信頼性の違いは大きく現れます。
Medium以上は、より詳細な特徴抽出が必要なシーンで真価を発揮します。例えば、単なる人検知だけでなく、「ヘルメットの着用有無」や「制服の種類」まで識別したい場合です。これらはモデルの表現力が求められるタスクであり、Medium以上のサイズが選択肢に入ります。ただし、前述の通りOrin Nanoでは速度がボトルネックとなるため、ハードウェア選定の見直しもセットで検討する必要があります。
リソース消費量：メモリ使用率と発熱の相関
ハードウェアへの負荷も重要な選定基準です。ベンチマーク中、X-Largeモデルを連続稼働させた際、Jetson Orin Nanoの負荷はピークに達し、放熱対策が不十分な場合はサーマルスロットリング（熱による性能制限）が発生するリスクが確認されました。粉塵の多い工場などでファンを全開運用することは、故障リスクにもつながります。
メモリ使用量に関しては、NanoやSmallはシステム全体で4GB以下に収まりやすく、他のアプリケーションとの共存が現実的です。一方、Large以上ではモデル展開だけでメモリを大量に消費するため、スワップ発生による急激な速度低下のリスクを考慮しなければなりません。
参考リンク
詳細分析：誤検知（False Positive）リスクの検証
スペック上の精度（mAP）が高いからといって、現場での「誤検知」が減少するとは限りません。むしろ、モデルが敏感になりすぎて、過剰に反応してしまうケースも存在します。ここでは、不審者検知システムを運用不能に追い込む「誤検知」の要因を分析します。
影や小動物を「人」と誤認するケースの比較
監視カメラ映像で最も厄介なのが、変化する環境要因です。今回のテスト映像には、風で揺れる街路樹の影や、敷地内を横切る猫が含まれていました。
Nanoモデルは、複雑なテクスチャの解釈が苦手なためか、揺れる木の葉の影を「人の群衆」として誤検知するケースがありました。これは単純な形状マッチングに近い挙動を示していると考えられます。
一方、Large / X-Largeモデルは、猫を「猫」として、犬を「犬」として正しく認識する能力が高いため、これらを「人」と誤認する確率は大幅に低下しました。モデルが大規模化することで、対象物の文脈や詳細な特徴を理解する能力が向上し、「人に見える別の物体」を適切に除外できるようになるのです。
しかし、興味深い現象も確認されました。Largeモデルは感度が高いため、ポスターに描かれた人物や、マネキン人形に対して高い確信度で「人」と判定してしまうのです。これはモデルの性能が高いからこそ起きる誤検知であり、運用上のフィルタリング（動体検知との組み合わせなど）が必要になる典型例です。
低照度環境下でのモデル別堅牢性
夜間映像におけるノイズ耐性も検証しました。ISO感度を上げたカメラ映像には特有の粒状ノイズが乗ります。
ここでもSmallとMediumの間に明確な性能差が確認されました。Nano/Smallモデルはノイズをテクスチャの一部と誤解しやすく、何もない暗闇にバウンディングボックスが出現する「ゴースト検知」が発生しました。これに対し、Medium以上のモデルはノイズに対するロバスト性（頑健性）が高く、検知結果が安定していました。
Confidence Threshold（信頼度閾値）調整による最適化の限界
「誤検知が多いなら、閾値（Confidence Threshold）を上げればよい」と考えるかもしれません。通常、検知の確信度が0.5以上なら採用、それ以下なら無視、といった設定を行います。
しかし、Nanoモデルの場合、正解（不審者）に対する確信度も低めに出る傾向があります。誤検知を減らそうとして閾値を0.7に上げると、今度は肝心の不審者を見逃してしまうのです。つまり、正解と誤検知のスコア分布が重なっており、閾値調整だけでは分離しきれないのが小型モデルの特性です。
対してMedium以上のモデルは、正解に対する確信度が非常に高く（0.9以上など）、誤検知に対するスコアは低く出る傾向があり、スコア分布の分離が良好です。これにより、閾値調整によるチューニングが容易で、運用に合わせて「見逃し厳禁設定」や「誤報ゼロ設定」を構築しやすくなります。
結論：ユースケース別推奨モデルとアーキテクチャ選定ガイド
ここまで、速度、精度、そして誤検知リスクという観点でYOLOv8の各モデルを検証しました。結論として、「あらゆる状況に最適な単一のモデル」は存在せず、要件に応じた「最適なモデル選択」があるのみです。プロジェクトの要件に合わせて、どのモデルを選ぶべきか、そしてどのようなシステム構成を組むべきか、推奨案を解説します。
コスト重視（Nano/Small）が適する小規模店舗監視
推奨モデル: YOLOv8s (Small)
コンビニエンスストアや小規模オフィスの入退室管理など、対象人物との距離が近く（5〜10メートル以内）、照明環境も比較的安定している屋内環境には、Smallモデルが適しています。
Nanoでは精度に懸念が残る場面でも、Smallなら実用十分なレベルに達します。Jetson Orin Nano 1台で2〜3台のカメラ映像を同時に処理することも可能でしょう。コストを抑えつつ、基本的な防犯機能を実装したい場合に最適です。
精度重視（Medium/Large）が必須となる重要施設監視
推奨モデル: YOLOv8m (Medium) + 上位ハードウェア
発電所、データセンター、工場外周など、誤検知による警備員の出動コストが許容されず、かつ夜間や悪天候下でも確実な検知が求められるケースでは、Mediumモデルを基準に設計するべきです。
ただし、Orin Nanoでは1ストリームの処理が限界となります。要件に応じて、ハードウェアをJetson Orin NXやAGX Orinにアップグレードするか、処理フレームレートを意図的に落とす（例えば5FPS）運用設計が必要となります。「何でも検知する」のではなく、「確実に検知し、誤報を出さない」ことが価値となる領域です。
ハイブリッド構成の提案：検知と解析の分担
最後に、「ハイブリッド・アーキテクチャ」を解説します。
エッジデバイス（Orin Nano + YOLOv8n/s）では、高FPSで一次スクリーニングを行います。ここでは閾値を下げて「疑わしいものはすべて検出する」設定にします。そして、検知された対象の画像だけを切り出し、クラウド上の強力なGPUサーバー、あるいはローカルの高性能サーバー（YOLOv8xやさらに高度な行動認識モデル）に送信し、二次判定を行うのです。
- Step 1 (Edge): YOLOv8nで「人らしきもの」を全検知（処理遅延なし）
- Step 2 (Server): 検知画像をYOLOv8xで精密解析し、誤検知をフィルタリング
この構成であれば、エッジ側のリアルタイム性とコストメリットを享受しつつ、サーバー側の高い精度で誤報を防ぐことが可能です。常時サーバーに映像をストリーミングするわけではないため、通信コストも最適化されます。
技術選定は、スペック表の数値比較だけで完結するものではありません。現場の環境要因や運用フローを分析し、データに基づいた仮説検証を繰り返すことで、リスクとコストのバランスを最適化することが重要です。YOLOv8の特性を理解し、実用的な監視システムの構築に役立ててください。
まとめ
YOLOv8を用いた不審者検知システムの構築において、モデルサイズの選定はプロジェクトの成否を分ける重要な意思決定です。本記事での検証結果を総括します。
- 速度の境界: Jetson Orin Nanoクラスでは、YOLOv8sまでが実用的なリアルタイム動作の限界。Medium以上はFPS低下を許容するか、ハードウェアの増強が必要。
- 精度の壁: 遠距離・低照度・遮蔽といった悪条件では、SmallとMediumの間に明確な性能差が存在する。
- 誤検知リスク: モデルサイズが大きいほど、環境ノイズによる誤検知は減少するが、ポスターなどの「人に見える物体」への過剰反応にはフィルタリング等の対策が必要。
最適なシステムを構築するためには、単一のモデルに固執せず、設置環境や運用要件に合わせてデータから仮説を立て、実験で検証するサイクルを回すことが不可欠です。本記事の検証データが、実際のプロジェクトにおけるアーキテクチャ設計の一助となれば幸いです。
コメント