ニューラルネットワーク（NN）

ニューラルネットワーク（NN）は、人間の脳の構造と機能に触発された計算モデルです。これは、ほとんどの深層学習（DL）モデルのバックボーンを形成し、現代の人工知能（AI）における基本的な概念です。NNは、相互接続されたノード（または「ニューロン」）のレイヤーを介して情報を処理することにより、データ内のパターンを認識するように設計されています。この構造により、膨大な量のデータから学習できるため、画像認識や自然言語処理（NLP）などの複雑なタスクに非常に強力です。

ニューラルネットワークの仕組み

ニューラルネットワークは、入力層、1つまたは複数の隠れ層、および出力層の3つの主要なタイプの層で構成されています。各層には、後続の層のニューロンに接続されているニューロンが含まれています。

1. 入力層: この層は、画像のピクセルや文中の単語など、初期データを受け取ります。
2. 隠れ層: これらは、入力層と出力層の間の層であり、計算の大部分がここで行われます。各ニューロンは、モデルの重みと活性化関数（ReLUやシグモイドなど）を学習し、入力に対して数学的な変換を適用して出力を決定します。複数の隠れ層を持つネットワークは、「深層」ニューラルネットワークとして知られています。
3. 出力層: この最終層は、分類ラベルや予測値などの結果を生成します。

学習プロセス（トレーニングと呼ばれる）では、ネットワークに大量のデータセットを入力します。ネットワークは予測を行い、実際の結果と比較し、損失関数を使用して誤差を計算します。次に、バックプロパゲーションと呼ばれるアルゴリズムを使用して、接続の重みを調整し、多くの反復（エポック）にわたってこの誤差を最小限に抑えます。このプロセスは、最適化アルゴリズム（Adamなど）によって導かれます。

ニューラルネットワークと関連概念の比較

NNを、他の関連用語と区別することが重要です。

• 機械学習 vs. ニューラルネットワーク：機械学習（ML）はAIの広範な分野であり、NNはMLモデルの一種にすぎません。他のMLモデルには、階層化されたニューロンアーキテクチャを使用しない決定木やサポートベクターマシン（SVM）などがあります。
• 深層学習 vs. ニューラルネットワーク:深層学習は、特に深いニューラルネットワーク（多数の隠れ層を持つNN）を使用するMLのサブフィールドです。したがって、すべての深層学習システムはNNに基づいています。ただし、隠れ層が1つしかない単純なNNは、「深い」とは見なされない場合があります。

ニューラルネットワークの種類と応用

ニューラルネットワークは非常に汎用性が高く、さまざまな特殊なアーキテクチャに適応されています。主な例を2つご紹介します。

1. コンピュータビジョン（CV）: 畳み込みニューラルネットワーク（CNN）は、コンピュータビジョンにおける主要な技術です。

   • 物体検出: Ultralytics YOLO11のようなモデルは、CNNを使用して画像内の物体を識別し、バウンディングボックスを使用してその位置を特定します。これは、自動運転車のAIやAIを活用した在庫管理などのアプリケーションにとって非常に重要です。
   • 画像セグメンテーション: NNは、画像内の各ピクセルを分類して、医療画像解析などのタスクの詳細なシーン理解を可能にします。Ultralyticsドキュメントを使用したセグメンテーションタスクを調べることができます。

2. 自然言語処理（NLP）: リカレントニューラルネットワーク（RNN）やTransformerを含むNNは、機械が言語を処理する方法に革命をもたらしました。

   • 機械翻訳：Google翻訳のようなサービスは、言語間のテキストを驚くほどの精度で自動翻訳するために、複雑なNNを利用しています。
   • 感情分析: 企業はNNを使用して、顧客のレビューやソーシャルメディアのコメントを分析し、感情的なトーン（ポジティブ、ネガティブ、またはニュートラル）を判断します。IBMによる感情分析の概要で説明されています。

ツールとフレームワーク

強力なツールとフレームワークのおかげで、NNの開発はアクセスしやすくなっています。

• ライブラリ: PyTorchやTensorFlowのようなフレームワークは、NNを作成およびトレーニングするための不可欠な構成要素を提供します。詳細については、PyTorchとTensorFlowの公式サイトをご覧ください。
• プラットフォーム: Ultralytics HUBは、YOLOモデルのトレーニング、データセットの管理、およびモデルのデプロイプロセスを簡素化するための統合プラットフォームを提供します。
• 事前トレーニング済みモデル: 多くの研究者や開発者は、Hugging FaceのようなハブやUltralyticsエコシステム内で利用可能な事前トレーニング済みモデルから始めます。これらのモデルは、多くの場合、特定のデータセットでのファインチューニングのみを必要とし、時間と計算リソースを大幅に節約できます。異なるYOLOモデル間の比較は、ドキュメントで確認できます。