Image Classification

画像分類は、モデルが画像全体を見て、固定されたクラス集合から1つのラベルを割り当て、各クラスの信頼度スコアも出力するコンピュータービジョンタスクです。「この画像は何を写しているか」という問いに答えます。たとえば、猫か犬か、不良品か良品か、肺炎か正常かを判定します。画像分類は主要なビジョンタスクの中で最も単純であり、他のタスクの基盤でもあります。大規模データセットで画像分類を事前学習したバックボーンは、転移学習を通じて、検出やセグメンテーションの特徴抽出器として再利用されるためです。

画像分類の仕組み#

分類器は、3つの段階でピクセルをクラス確率に変換します。畳み込みニューラルネットワーク（CNN）またはビジョントランスフォーマー（ViT）であるバックボーンは、レイヤーごとに特徴を抽出します。浅いレイヤーではエッジやテクスチャを、深いレイヤーでは物体の部位や物体全体を捉えます。プーリング処理で最終的な特徴マップを1つのベクトルにまとめ、画像全体を要約します。次に、全結合レイヤーがクラスごとに1つのスコア（ロジット）を出力し、ソフトマックス関数がスコアを合計1の確率に変換します。

モデルは、教師あり学習によってラベル付き画像からこの対応関係を学習し、予測確率と正解クラスの間の交差エントロピー損失を最小化します。単一ラベル（マルチクラス）分類ではソフトマックスを使い、画像ごとにクラスを1つだけ選びます。1枚の画像に複数の対象が含まれる場合に使うマルチラベル分類では、シグモイドで各クラスを個別に評価し、しきい値を超えたクラスをすべて採用します。

-clsというサフィックスが付くUltralyticsのYOLO26分類モデルは、単一ラベル分類器です。ImageNetを使い224×224ピクセルで事前学習されており、最小モデルのYOLO26n-clsは、280万パラメーターでtop-1精度71.4%を達成します。これらのモデルは、クラスごとに画像を1つのフォルダーにまとめたデータセットで学習できます。

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

5つの確率は、1,000クラスすべてに対する1回のソフトマックス計算から得られるため、類似クラスと比べて、モデルが最上位の予測をどの程度確信しているかを示します。

分類と検出・セグメンテーションの比較#

分類は画像全体を説明しますが、対象の位置や個数は示しません。

• 物体検出: 各物体を見つけてラベルを付け、バウンディングボックスで位置を特定するため、1枚の写真に写った3台の車を数えられます。
• 画像セグメンテーション: ピクセルにラベルを付け、各物体や領域の正確な輪郭を描きます。
• 画像認識: 画像内の内容を識別する幅広い総称で、画像分類と同じ意味で曖昧に使われることもあります。

どのタスクを選ぶかは、アプリケーションで必要とされる空間的な詳細度によって異なります。

実際のアプリケーション#

• 製造検査: 生産ライン上のカメラで各部品を撮影し、分類器が合格か不合格かを判定することで、不良品を自動的に排除します。
• 医療トリアージ: モデルが胸部X線画像、皮膚病変の写真、網膜スキャンを正常と異常に分類し、臨床医が緊急性の高い症例を優先して確認できるようにします。
• 農業: 農家がスマートフォンで葉を撮影し、分類器が作物の病気や栄養不足を特定します。
• コンテンツ整理: 写真ライブラリやマーケットプレイスでは、画像をシーンや商品カテゴリごとにタグ付けして検索やモデレーションを可能にするため、数百万枚の画像を整理します。

ベンチマークとモデル#

分類器の比較にはtop-1精度（最も確率の高いクラスが正解である画像の割合）と、top-5精度（正解クラスが確率上位5クラスに含まれる画像の割合）が使われます。現代の分類技術はImageNet大規模視覚認識チャレンジから発展しました。約128万枚の学習画像を含む1,000クラスのサブセットは、今も標準的なベンチマークです。2012年、AlexNetはtop-5エラー率を、2位の26.2%から15.3%に下げ、ビジョン分野のディープラーニング時代を切り開きました。ResNetは2015年に100層を超えるネットワークの学習を可能にし、Vision Transformerは2020年に、アテンションベースのモデルを1,400万から3億枚の画像で事前学習するとCNNと同等以上になることを示しました。