Image Classification

画像分類は、コンピュータビジョン (CV) における基本的なタスクであり、機械学習モデルが画像全体を分析し、あらかじめ定義されたカテゴリの中から1つのラベルを割り当てるものです。本質的には、「この画像の主要な被写体は何か？」という問いに答えるものです。人工知能 (AI) の中核となるこのプロセスにより、自動化システムは視覚データを大規模に整理、分類、解釈できるようになります。人間の目には単純に見えるかもしれませんが、コンピュータにパターンを認識させるには、生のピクセルから意味のある概念へとつなぐ高度な 機械学習 (ML) アルゴリズムが必要です。

Link to this section分類の仕組み#

Modern image classification relies heavily on deep learning (DL) architectures known as Convolutional Neural Networks (CNNs). These networks are designed to mimic the way the biological visual cortex processes information. Through a process called feature extraction, the model learns to identify low-level attributes like edges and textures in early layers, eventually combining them to recognize complex shapes and objects in deeper layers.

分類器を構築するために、開発者は 教師あり学習 を使用し、ラベル付けされた例を含む膨大な量の トレーニングデータ をモデルに与えます。ImageNet のような大規模な公開データセットは、これらのシステムの精度を向上させる上で重要な役割を果たしてきました。推論フェーズでは、モデルは各カテゴリに対して確率スコアを出力し、多くの場合 ソフトマックス関数 を使用して最も可能性の高いクラスを決定します。

Link to this section分類とその他のビジョンタスクの比較#

手法の選択は特定の課題に依存するため、画像分類と関連するコンピュータビジョンの機能を区別することが重要です。

• 分類 vs 物体検出: 分類は画像全体に1つのラベルを割り当てます。対照的に、物体検出はシーン内の複数の物体の位置を特定し、それぞれを バウンディングボックス で囲みます。
• 分類 vs 画像セグメンテーション: 分類がグローバルなコンテキストを見るのに対し、セグメンテーションはピクセルレベルの精度を提供します。セマンティックセグメンテーション はすべての個々のピクセルを分類し、物体と背景の境界を正確に区別することを可能にします。

Link to this section実社会での応用#

画像分類は、多様な業界における幅広い 実世界のAIアプリケーション を支えています。

Link to this sectionヘルスケア診断#

医療分野では、分類モデルが放射線科医の診断スキャン分析を支援しています。医療画像分析 ツールは、X線やMRIを迅速に「正常」または「異常」と分類したり、腫瘍検出 といった特定の症状を特定したりすることで、患者のトリアージと診断の迅速化を可能にします。

Link to this section製造業における品質管理#

工場では、製品基準を維持するために自動外観検査が利用されています。組立ライン上のカメラが部品の画像をキャプチャし、分類モデルが目に見える欠陥に基づいて「合格」または「不合格」と瞬時にラベル付けします。この自動化された 品質管理 により、欠陥のないアイテムのみが梱包段階に進むようになります。

Link to this sectionスマート農業#

農家は 農業におけるAI を活用して作物の健康状態を監視しています。ドローンやスマートフォンで撮影された画像を分類することで、システムは病気、栄養不足、害虫の発生の兆候を特定し、ターゲットを絞った 精密農業 の介入を可能にします。

Link to this sectionYOLO26による分類の実装#

Ultralytics YOLO26 フレームワークは、検出で有名ですが、画像分類タスク においても最先端のパフォーマンスを提供します。そのアーキテクチャは速度と精度に最適化されており、リアルタイムアプリケーションに適しています。

以下は、ultralytics Pythonパッケージを使用して学習済みモデルをロードし、画像を分類する簡潔な例です。

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

ワークフローの効率化を目指すチームにとって、Ultralytics Platform はパイプライン全体を簡素化します。これにより、ユーザーは 分類データセット の管理、クラウドベースのトレーニングの実行、および大規模なコーディングインフラストラクチャなしでの ONNX や TensorRT などのさまざまな形式へのモデルのデプロイが可能になります。