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 コンピュータビジョン（CV）における基本的なタスクである。 視覚的な内容に基づいて、デジタル画像全体に単一のラベルまたはカテゴリを割り当てることである。このプロセスにより、機械は 視覚データ内のパターン、オブジェクト、またはシーンを認識することにより、世界を「見て」解釈することができます。コアとして 人工知能 人工知能（AI）の中核的な要素として より複雑な視覚認識システムの構成要素として機能し、自動化されたシステムが膨大な量の視覚情報を効率的に分類することを可能にする。 自動化されたシステムは、膨大な量の視覚情報を効率的に分類することができる。
技術レベルでは、画像分類は機械学習（ML）アルゴリズムに依存している。 機械学習（ML）アルゴリズム、特に 特に 畳み込みニューラルネットワーク（CNN）。これらのネットワークは、ピクセルデータを処理し、自動的に特徴抽出を行うように設計されている。 特徴抽出を自動的に行うように設計されている。 初期のレイヤーではエッジやテクスチャのような低レベルの属性を、より深いレイヤーでは複雑な形状を識別する。
そのプロセスは通常、次のようなものである。 教師あり学習
のような人気のあるフレームワーク PyTorchや TensorFlowのような一般的なフレームワークは、このような高度な を提供する。
画像分類は「この画像に何が写っているか」という質問に答えるものだが、しばしば他のコンピュータ・ビジョン・タスクと混同される。 と混同されがちです。その区別を理解することは、プロジェクトに適したツールを選択する上で非常に重要です：
画像分類は、自動化を促進し、意思決定プロセスを向上させるため、業界全体でユビキタスです。
医用画像解析の分野では 分類モデルは、スキャンを事前にスクリーニングすることで放射線科医を支援します。例えば、classify 胸部X線や MRIを「正常」または「異常」に分類し、肺炎や腫瘍のような潜在的な問題にフラグを立て、優先的に検査することができる。 レビュー米国国立衛生研究所（NIH）の研究は、AIがどのように病気の早期診断に役立つかを実証している。 が病気の早期診断に役立ち、患者の転帰を大幅に改善することを実証しています。YOLO11を使用した YOLO11使用した腫瘍検出
精密農業は、作物の健康状態を監視するために画像分類を利用する。カメラを搭載したドローンが その画像を分析し、植物を健康なもの、栄養不足のもの、病気のものにclassify 。これにより 的な介入が可能になり、化学薬品の使用量を減らし、収量を増やすことができる。米国農務省 米国農務省（USDA） は、このような技術がいかに持続可能な農法を促進するかを強調しています。Ultralytics どのようにサポートしているかをご覧ください。 現代の農業に革命をもたらす農業AI をご覧ください。
探知機として有名だが Ultralytics YOLO11アーキテクチャは 画像分類タスクにも非常に効率的です。スピードと精度のバランスが取れており リアルタイムアプリケーションに適しています。
以下は、訓練済みのYOLO11 モデルを使って画像をclassify する方法の簡潔な例である。
ultralytics Python パッケージ：
from ultralytics import YOLO
# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")
# Run inference on an external image URL
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]}")
独自のソリューションを作成したいユーザーは、以下のことが可能です。 同じシンプルな APIを使用します。以下のようなツールを使ってエッジ・デバイスにデプロイする場合でも OpenCVなどのツールを使ってエッジデバイスに導入する場合でも 最新の分類モデルは、多様な展開シナリオに必要な汎用性を提供します。 シナリオを提供します。
