// シス担のミカタ
コンピュータービジョン

画像分類タスク がぞうぶんるいたすく

画像分類画像認識ImageNetCNN深層学習ラベル予測
画像分類タスクについて教えて

簡単に言うとこんな感じ！

画像分類は「この画像は何か？（猫・犬・車・花など）」という質問にAIが答えるタスクだよ。コンピュータービジョンで最も基本的なタスクで、ここで培われた技術（CNN・転移学習など）が物体検出やセグメンテーションなどの応用タスクの基盤になっているんだ！

画像分類タスクとは

画像分類（Image Classification） は、入力画像を事前に定義されたクラス（カテゴリ）のいずれかに割り当てるタスクです。コンピュータービジョンのタスクの中で最も基本的なもので、「1枚の画像全体に対して1つ（またはTop-K個）のラベルを予測」します。

画像分類の研究はImageNet（120万枚以上・1000クラスの大規模画像データセット）とその年次コンテスト「ILSVRC」によって急速に発展しました。2012年のAlexNetがSigmoidからReLUへ・浅いネットから深いネットへという転換点を作り、それ以降每年モデルが改良され続けています。

「猫か犬か」という2クラス分類から、「1000種類の生物を見分ける」大規模多クラス分類まで幅広く応用されています。実務では転移学習を使い、ImageNetで事前学習したモデルを自社データで微調整することが一般的です。

主要な画像分類データセット

データセット画像数クラス数特徴
MNIST7万10手書き数字。入門用
CIFAR-10/1006万10/100小さい画像（32×32）の多クラス
ImageNet（ILSVRC）128万1000深層学習競争の中心
Places365180万365場所・シーン分類
iNaturalist240万8000以上生物種の細粒度分類

歴史と背景

  • 2009年：Fei-Fei LiらがImageNetを公開
  • 2010年：ILSVRCコンテスト開始。手作り特徴量が主流
  • 2012年：AlexNetがエラー率を26%→15%に改善。深層学習革命の始まり
  • 2015年：ResNetが人間の認識精度（5%）を初めて下回る3.57%を達成
  • 2020年以降：Vision Transformerなどが台頭するが、CNNも改良が続く

画像分類の実装例

import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image

# 学習済みモデルをロード
model = models.resnet50(pretrained=True)
model.eval()

# 画像の前処理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

# 推論
image = Image.open("photo.jpg")
input_tensor = transform(image).unsqueeze(0)  # バッチ次元を追加
output = model(input_tensor)
predicted_class = output.argmax().item()  # 最も確率の高いクラス

コンピュータービジョンタスクの難易度

タスク入力出力難しさ
画像分類画像1枚クラスラベル低い
物体検出画像1枚クラス+矩形の複数中程度
セマンティックセグメンテーション画像1枚全ピクセルのクラス高い
インスタンスセグメンテーション画像1枚個体ごとのマスク非常に高い

関連用語