YOLO Vision 2025にご期待ください！
2025年9月25日
10:00 — 18:00（英国夏時間）
ハイブリッドイベント
Ultralytics YOLO11による、機械学習における特徴抽出の力を発見しましょう。効率的な検出と分析のためのテクニックを学びます。
特徴量抽出は、機械学習（ML）とデータ前処理における基本的なプロセスであり、生の、高次元のデータを、より扱いやすく、情報量の多い特徴量のセットに変換します。この手法では、モデルに膨大で、しばしば冗長なデータ（画像のすべてのピクセルなど）を直接入力する代わりに、最も特徴的な属性、つまり特徴量を特定して抽出します。このプロセスにより、トレーニングに必要な計算リソースが削減され、関連情報に焦点を当てることでMLモデルの学習効率が向上し、モデルの精度を大幅に改善できます。
特徴抽出の主な目的は、重要な情報を失うことなくデータを単純化することです。これはいくつかの理由で非常に重要です。
特徴量抽出の方法は、従来の手作りの手法から、ディープラーニングを活用した最新の自動化されたアプローチまで多岐にわたります。
従来の方法： これらの手法は、定義済みのルールに基づいて特徴を抽出するために、特殊なアルゴリズムに依存しています。例としては、画像分析のためのScale-Invariant Feature Transform（SIFT）やHistogram of Oriented Gradients（HOG）、またはテキスト処理のためのTerm Frequency-Inverse Document Frequency（TF-IDF）などがあります。効果的ではありますが、これらの方法を設計するには、多くの場合、高度な専門知識が必要です。
自動化された方法（学習された特徴）: 最新のニューラルネットワーク（NN）、特に畳み込みニューラルネットワーク（CNN）は、自動特徴抽出に優れています。データがネットワークのレイヤーを通過するにつれて、モデルは階層的なパターンを独自に識別することを学習します。最初のレイヤーの単純なエッジや色から、より深いレイヤーの複雑な形状やオブジェクトまでです。この学習された表現は、手作りの特徴よりも堅牢で効果的であることがよくあります。
特徴抽出は、多くの人工知能（AI）アプリケーションの基礎です。
物体検出: コンピュータビジョン（CV）では、Ultralytics YOLO11のようなモデルは、バックボーンネットワークを使用して、入力画像から特徴を自動的に抽出します。これらの特徴は、特徴マップとして表され、テクスチャ、形状、オブジェクトの部分に関する情報をエンコードします。次に、検出ヘッドはこれらのマップを使用してオブジェクトを識別し、位置を特定します。これは、自動運転車や製造業におけるAIなどのアプリケーションにとって非常に重要です。
医療画像解析: 医療では、特徴抽出は放射線科医や臨床医が医療スキャンを分析するのに役立ちます。CNNは、MRIまたはCTスキャンを処理して、脳腫瘍データセットのように、腫瘍または他の異常を示す特徴を抽出できます。この自動分析は、より迅速かつ正確な診断を支援します。YOLO11を使った腫瘍検出に関するブログで、これがどのように機能するかを探ることができます。
特徴量抽出を類似の用語と区別すると役立ちます。
特徴量抽出 vs. 特徴量エンジニアリング: 特徴量エンジニアリングは、生データから特徴量を作成することを包含するより広範な用語です。特徴量抽出は、既存の特徴量を新しい、より小さなセットに変換する特定の特徴量エンジニアリングです。特徴選択は、元の特徴量のサブセットを選択する別の種類です。
特徴量抽出 vs. 次元削減: 次元削減は結果であり、特徴量抽出はそれを達成するための1つの方法です。主成分分析（PCA）のような手法は、次元削減に使用される特徴量抽出の典型的な例です。
特徴量抽出 vs. 埋め込み (Embedding): 埋め込みは、学習された特徴表現の一種です。深層学習モデルは、自動化された特徴量抽出プロセスを通じて、これらの密なベクトル表現を作成し、データ内の複雑な意味関係を捉えます。
PyTorchやTensorFlowのようなフレームワークは、これらの強力なモデルを構築するためのツールを提供し、Ultralytics HUBのようなプラットフォームは、データセットの管理からモデルのトレーニングまで、ワークフロー全体を効率化します。
