Convolution

畳み込み（コンボリューション）は、現代のコンピュータービジョン (CV)およびディープラーニング (DL)システムの根幹をなす基本的な数学演算です。画像処理の文脈において、畳み込みとは、小さなフィルター（通常はカーネルと呼ばれる）を入力画像上でスライドさせ、主要な特徴のマップを作成する処理を指します。このプロセスにより、人工知能 (AI)モデルは人間の介入なしに、エッジ、テクスチャ、形状などのパターンを自動的に学習し識別できるようになります。従来の手動による特徴量抽出をしばしば必要とする従来の機械学習 (ML)とは異なり、畳み込みは、単純な線から顔や車両などの複雑なオブジェクトへと段階的に進みながら、ネットワークが視覚データの階層的な理解を構築することを可能にします。

畳み込みの仕組み#

この演算は、入力データに対してフィルターを通過させ、要素ごとの乗算を実行し、結果を合計して各位置の単一の値を生成することで機能します。この出力は特徴マップとして知られています。

• カーネル: これは特定の特徴を検出する数値（重み）の小さなマトリックスです。たとえば、ソーベルフィルターは、垂直または水平のエッジを検出するために使用される特定のタイプのカーネルです。
• スライディングウィンドウ: カーネルは、「ストライド」と呼ばれる定義されたステップサイズを使用して画像を移動します。この空間フィルタリング処理は、ピクセル間の関係を維持するため、画像を理解する上で極めて重要です。
• レイヤー階層: 畳み込みニューラルネットワーク (CNN)のようなディープなアーキテクチャでは、初期のレイヤーが低レベルの詳細を捉え、より深いレイヤーがこれらを組み合わせて高レベルの概念を形成します。

畳み込みと関連概念の比較#

畳み込みを完全に把握するために、ニューラルネットワーク (NN)の文献でよく見られる類似の用語と区別することが役立ちます:

• 相互相関 vs 畳み込み: 数学的に、真の畳み込みには、カーネルを適用する前に反転させる作業が含まれます。しかし、PyTorchライブラリを含むほとんどのディープラーニングフレームワークは、相互相関（反転させずにスライドさせる）を実装していますが、トレーニング中に重みが学習されるため反転の区別がパフォーマンスに関係なくなることから、これを「畳み込み」とラベル付けしています。
• 畳み込み vs アテンション: 畳み込みが情報を局所的（隣接するピクセル）に処理するのに対し、アテンション機構はモデルが画像の離れた部分を同時に関連付けることを可能にします。YOLO26のような現代のアーキテクチャは、アテンションレイヤーが計算的に重くなる可能性があるため、リアルタイム推論速度を維持するために高度に最適化された畳み込みレイヤーをしばしば利用します。

実社会での応用#

畳み込みの効率性は、堅牢な認識システムを実現することで、AIがさまざまな産業に革命をもたらす原動力となりました。

1. 医療診断: 医療分野におけるAIの分野では、畳み込みを高解像度のMRIスキャンの分析に役立てています。異常を強調するように設計された特定のカーネルを使用することで、モデルは人間の専門家に匹敵する精度で腫瘍や骨折の初期兆候を検出できます。

2. 自動運転: 自動運転車は、リアルタイムの物体検出に畳み込みを利用しています。車が移動するにつれて、畳み込みレイヤーがビデオフィードを処理して歩行者、車線マーカー、交通標識を瞬時に識別します。これは自動車分野におけるAIの安全性の重要な構成要素です。

Ultralyticsを使用したPythonの例#

Pythonを使用して、最先端モデル内の畳み込みレイヤーを検査できます。次の例では、YOLO26モデルを読み込み、その初期レイヤーが標準的な畳み込み演算を利用していることを検証します。これは torch.nn を介して実装されています。

import torch.nn as nn
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Access the first layer of the model's backbone
first_layer = model.model.model[0]

# Verify it is a Convolutional layer
if isinstance(first_layer.conv, nn.Conv2d):
    print("Success: The first layer is a standard convolution.")
    print(f"Kernel size: {first_layer.conv.kernel_size}")

エッジAIにおいて畳み込みが重要な理由#

畳み込み演算は非常に最適化しやすく、計算リソースが限られているエッジAIの導入に最適です。同じカーネルが画像全体で共有される（パラメータ共有）ため、古い全結合アーキテクチャよりもモデルに必要なメモリが大幅に少なくなります。この効率性により、高度なモデルをスマートフォンやIoTデバイス上で実行できるようになります。

カスタムデータセットに対してこれらの演算を活用したいチーム向けに、Ultralytics プラットフォームは、複雑なインフラストラクチャを管理することなく、画像にアノテーションを付け、畳み込みベースのモデルをトレーニングするためのシームレスな環境を提供します。転移学習を使用することで、最小限のトレーニングデータで新しいオブジェクトを認識するように事前トレーニングされた畳み込みの重みを微調整できます。