4.5 ディープラーニングのコンピュータビジョンタスク
主要タスク
ディープラーニングのコンピュータビジョンは、機械が画像や動画を理解するのに役立つ多くのタスクを含みます。代表的なタスクには、画像分類（主な物体が何かを判断する）、物体検出（物体を見つけてバウンディングボックスを描く）、セグメンテーション（ピクセルごとにラベル付けしたり、個別の物体を分離したりする）があります。さらに、人体の関節などのランドマークを対象とするキーポイント検出、フレーム間の動きを推定するオプティカルフロー、動画内の動作を理解する動画分類も含まれます。
簡単に言えば、これらのタスクは 「画像に何があるか？」 から 「それはどこにあるか？」、「どんな形か？」、そして 「どう動いているか？」 へと進んでいきます。
1. 画像分類
画像分類は、画像全体に対して 1 つ以上のラベルを予測します。
例:
- 猫 vs 犬
- 健康な葉 vs 病気の葉
- 正常な製品 vs 欠陥製品
このタスクは、物体の位置よりも全体の内容が重要な場合に役立ちます。
2. 物体検出
物体検出はカテゴリと位置の両方を予測します。
例:
- 人物検出
- ヘルメット検出
- 車両検出
検出は、カウント、トラッキング、イベント推論など多くの下流タスクの基礎となるため、非常に重要です。
3. セグメンテーション
セグメンテーションはピクセルレベルで動作します。
代表的な 2 つの形式:
- セマンティックセグメンテーション: 各ピクセルをカテゴリごとに分類する
- インスタンスセグメンテーション: 同じカテゴリの個々の物体を分離する
例:
- 道路領域のセグメンテーション
- 製品の境界抽出
- 背景除去
4. 物体トラッキング
トラッキングは時間をまたいで検出結果をつなげます。
これは検出とは異なる問いに答えます:
- 今ここに何があるかだけでなく
- フレームをまたいでどの物体が同じままであるか
これは次のことに不可欠です:
- 人数のカウント
- 動きの監視
- 行動分析
5. 姿勢推定
姿勢推定は、関節やランドマークなどの構造化されたキーポイントを予測します。
例:
- 人体スケルトン推定
- 手のランドマーク
- 動物の姿勢推定
シンプルなボックスよりも形状や姿勢が重要な場合に有用です。
6. 顔認識
顔認識は顔を検出するだけにとどまりません。その人物が誰であるかを特定または検証しようとします。
通常は次のステップを含みます:
- 顔検出
- 顔の位置合わせ
- 特徴抽出
- 比較またはマッチング
このタスクは、プライバシー、バイアス、セキュリティに関する重要な問題を提起します。
7. OCR とシーンテキスト理解
OCR は画像や動画からテキストを抽出します。
例:
- レシート
- ラベル
- ナンバープレート
- フォーム
OCR は、ビジョンが言語と結びつく最も明確な例の 1 つです。
8. イベントと行動の理解
一部の実用的なシステムは、静的な物体よりもイベントを重視します:
- ライン越え
- 侵入
- 転倒検知
- うろつき
これらのタスクでは、検出、トラッキング、ルールベースのロジックがよく組み合わされます。
よくある誤解
- 「検出だけで常に十分である。」
- アプリケーションによっては、セグメンテーション、姿勢推定、OCR、時間的な推論が必要です。
- 「トラッキングは検出の繰り返しにすぎない。」
- トラッキングには、時間を通じたアイデンティティの連続性も必要です。
- 「顔認識と顔検出は同じものである。」
- 検出は顔を見つけます。認識は人物を特定または検証します。
演習 / リフレクション
- 次の各分野からアプリケーションを 1 つずつ選び、最も適したビジョンタスクを特定してください:
- スマートリテール
- 工場検査
- 交通解析
- ドキュメント処理
- セグメンテーションが検出よりも優れているのはどのような場合か説明してください。
- トラッキングが動画解析では重要でありながら、すべての画像タスクで必要とは限らない理由を説明してください。
まとめ
ディープラーニングのコンピュータビジョンには多くのタスクタイプがあり、それぞれに独自の出力、強み、応用があります。このタスクマップを理解することは、学習者が問題に対して適切なツールを選ぶのに役立ちます。次のセクションでは、カスタムモデルの学習とデプロイの方法を学ぶための主要な実践ケースとして YOLO26 を使用します。
推奨される次のステップ
4.6 独自のビジョンモデルの学習とデプロイ に進んでください。