Ultralytics YOLO画像分類を発見：最先端のツールを使って、ヘルスケア、農業、小売業などのカスタムモデルをトレーニング。
画像分類は、コンピュータビジョン（CV）における基礎的なタスクであり、画像全体を分析し、事前に定義されたカテゴリセットから単一のラベルを割り当てることを含む。このプロセスにより、機械は「この画像は何を表しているのか？」という特定の問いに答えることで、視覚データを解釈することが可能となる。人工知能（AI）の中核的構成要素として、画像分類はより複雑な認識システムの基盤となり、自動化されたソフトウェアが膨大な視覚情報を効率的に分類・整理することを可能にします。
画像分類の仕組みは、機械学習（ML）アルゴリズム、特に畳み込みニューラルネットワーク（CNN）として知られる深層学習（DL）アーキテクチャに大きく依存している。これらのネットワークは人間の視覚処理を模倣するように設計されている。特徴抽出と呼ばれるプロセスを通じて、モデルはピクセルデータを分析し、エッジやテクスチャといった低次元の属性を識別する。これらはより深い層で組み合わされ、複雑な形状や物体を認識する。
効果的な分類器を作成するため、開発者は教師あり学習に依存する。これは、既にラベル付けされた画像で構成される大量の訓練データをモデルに供給することを含む。有名なデータセットである ImageNet は数百万の例を提供し、モデルが新規データへ良好に一般化することを支援する。推論フェーズでは、モデルは新規画像が各クラスに属する確率を計算し、最終出力を決定するためにソフトマックス関数を用いることが多い。
画像分類を他のコンピュータビジョン技術と明確に区別することは、適切なツールを選択するために極めて重要です：
画像分類の簡便さと迅速さにより、様々な産業分野で広く普及している。
医療分野では、分類モデルが診断データを事前スクリーニングすることで医療従事者を支援します。例えば、 医療画像解析ツールはX線やMRI画像を「正常」または「異常」に分類でき、放射線科医が緊急性の高い症例を優先する手助けとなります。 YOLO11 ガイドで、実用的な実装例についてさらに詳しくご覧いただけます。
製造ラインでは分類技術を用いて、コンベアベルト上の不良品を自動識別し、高品質な製品のみが消費者に届くよう保証している。同様に、小売業界のAIは視覚検索エンジンを駆動し、顧客が衣類の写真をアップロードするとオンラインカタログ内で類似商品を見つけられるようにする。Google VisionやAWS Rekognitionといったプラットフォームは、これらの機能を商用利用するためのAPIを提供している。
検出機能で定評Ultralytics は、画像分類タスクに対しても堅牢なサポートを提供します。最新のYOLO26モデルは最先端の精度と速度を実現し、計算リソースが限られるエッジ環境での展開に最適です。
以下は、事前学習済みモデルを使用してclassify する方法の簡潔な例です。
ultralytics Python 。これは、現代のAIがアプリケーションにどれほど容易に統合できるかを示しています。
from ultralytics import YOLO
# Load a pre-trained classification model
model = YOLO("yolo11n-cls.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")
特殊なユースケースに関心のあるユーザーは、 CIFAR-10 MNISTといった独自のデータセットで カスタムモデルを簡単にトレーニングできます。 ONNX経由でのデプロイでも ONNX による相互運用性確保のため、あるいは TFLiteによるモバイル最適化など、 柔軟性と拡張性を考慮して設計されています。
.webp)
