ディープラーニング（DL）

ディープラーニングの仕組み

ディープラーニングの核となるのはディープニューラルネットワークで、入力層と出力層の間に複数の隠れ層を持つニューラルネットワークである。ディープラーニングの「ディープ」とは、この深さのことだ。各層には、活性化関数に支配された数学的演算を入力に適用する処理ユニット（ニューロン）が含まれる。学習中、ネットワークには大規模なデータセットが供給され、バックプロパゲーションと呼ばれるアルゴリズムが、ネットワークの内部パラメータ（重み）を調整するために使用される。この調整プロセスは、通常、勾配降下のような最適化アルゴリズムによって導かれ、損失関数によって定義されるように、モデルの予測値と実際の地上真実との差を最小化する。これにより、ネットワークは明示的にプログラムされることなく、複雑なパターンを自動的に発見することができる。現代のDLの普及に貢献した重要な歴史的論文は、ImageNetデータセットで最先端の結果を達成した2012年のAlexNet論文である。

ディープラーニングと機械学習機械学習

ディープラーニングは機械学習のサブセットだが、主な違いはデータ表現へのアプローチにある。伝統的なMLの手法では、モデルが正確な予測を行うことができるように、分野の専門家が生データから綿密に特徴を作成する、手作業による特徴エンジニアリングに大きく依存することが多い。対照的に、DLモデルは自動的な特徴抽出を行う。ディープネットワークの階層構造は、データから直接関連する特徴を学習することを可能にする。このためDLは、画像、テキスト、音声のような構造化されていないデータを扱う際に特に威力を発揮する。例えば画像認識では、DLモデルは最初の層でエッジやテクスチャを識別し、中間層で目や鼻のような物体の一部を識別し、最終的に深い層で顔のような物体全体を識別することを学習できる。

応用と実例

複雑なデータを処理するディープラーニングの能力により、多くの産業やアプリケーションで採用されている。その代表的な例が2つある：

1. 自律走行車：自動運転車は、リアルタイムの知覚のためにDLに大きく依存しています。最先端のDLモデル群であるUltralytics YOLOモデルは、歩行者、他の車両、交通標識を識別するための物体検出に使用されています。同様に、DLは安全なナビゲーションのために重要な、走行可能な路面とその周辺を区別するための画像分割に使用されています。自動運転車のAIでの使用について詳しくはこちらをご覧ください。
2. 医療画像解析：医療分野では、DLモデルは医療スキャンを分析することで放射線科医を支援する。視覚用の一般的なDLアーキテクチャである畳み込みニューラルネットワーク（CNN）は、脳のMRIにおける腫瘍のような異常や、X線における病気の兆候を高い精度で検出するように訓練することができる。これは、脳腫瘍検出のようなアプリケーションに見られるように、早期診断と患者の転帰の改善につながる。

ツールとフレームワーク

DLモデルの開発は、さまざまなソフトウェア・ライブラリやプラットフォームによって促進されている。人気のあるオープンソースのフレームワークには次のようなものがある：

• PyTorch：柔軟性とPythonファーストのアプローチで知られる（PyTorchホームページ）。UltralyticsのモデルはPyTorchを使って構築されています。
• TensorFlow： グーグルAIによって開発され、包括的なエコシステムを提供している（TensorFlowホームページ）。
• Keras：TensorFlowの上で動作する高レベルのAPIで、使いやすさで知られている（Kerasのホームページ）。

Ultralytics HUBのようなプラットフォームは、特にYOLO11のようなモデルを使用するコンピュータビジョンタスクにおいて、カスタムモデルのトレーニング、DLモデルの展開、管理のための統合環境を提供します。効果的な開発には、厳密なハイパーパラメーターのチューニング、パフォーマンスメトリクスの理解、効率的なモデルトレーニングのためのGPUアクセラレーションの活用といったプラクティスが含まれることが多い。このような複雑なシステムの開発とデプロイは、多くの場合、MLOpsプラクティスによって管理されます。