Computer Vision（コンピュータービジョン）

Computer Vision（コンピュータビジョン）

概要

Computer Vision（コンピュータビジョン、CV）は、コンピュータに画像や動画を「見る」能力を与え、視覚情報から意味のある情報を抽出・理解・判断する技術分野です。1960 年代から研究されてきましたが、2012 年の AlexNet による深層学習革命以降、急速に発展し、現代では自動運転、医療診断、顔認証、産業検査、AR/VR など社会インフラを支える基盤技術となっています。

主要なタスク

1. Image Classification（画像分類）

画像全体を 1 つのカテゴリに分類：

• 入力: 画像
• 出力: クラスラベル
• 例: 猫、犬、車
• ベンチマーク: ImageNet

2. Object Detection（物体検出）

画像内の物体の位置（バウンディングボックス）とクラスを検出：

• 入力: 画像
• 出力: [バウンディングボックス + クラス] のリスト
• モデル: YOLO、Faster R-CNN、DETR
• ベンチマーク: COCO

3. Semantic Segmentation（意味的セグメンテーション）

画像の各ピクセルにクラスを割り当てる：

• 入力: 画像
• 出力: ピクセル単位のクラスマップ
• 用途: 自動運転（道路 vs 歩道）、医療（臓器分離）
• モデル: U-Net、DeepLab、SegFormer

4. Instance Segmentation（インスタンスセグメンテーション）

同じクラスの異なる個体を区別：

• 入力: 画像
• 出力: ピクセル単位 + インスタンス ID
• モデル: Mask R-CNN、SOLO、SAM

5. Panoptic Segmentation

Semantic + Instance の統合：

• 物体: 個別識別
• 背景: カテゴリ分類

6. Object Tracking（物体追跡）

動画中の物体を時間方向に追跡：

• Single Object: MOSSE、SiamFC
• Multi Object: SORT、DeepSORT、ByteTrack

7. Pose Estimation（姿勢推定）

人物の関節位置を推定：

• 2D: OpenPose、HRNet
• 3D: SMPL、VIBE
• 用途: スポーツ分析、AR フィルタ、動作解析

8. Face Recognition（顔認識）

顔の検出と識別：

• 顔検出: MTCNN、RetinaFace
• 顔認識: FaceNet、ArcFace
• 用途: 認証、写真整理

9. Optical Character Recognition（OCR）

画像中の文字を認識：

• シーンテキスト: 自然画像中の文字
• 文書 OCR: スキャン文書
• ツール: Tesseract、PaddleOCR、EasyOCR

10. Image Generation（画像生成）

テキスト等から画像を生成：

• GAN: StyleGAN
• Diffusion Model: Stable Diffusion、DALL-E、Midjourney

技術の進化

古典的手法（〜2012）

• 特徴量: SIFT、HOG、SURF
• 分類器: SVM、Random Forest
• 手法: Bag of Words、DPM

CNN 時代（2012〜2020）

• 2012: AlexNet（ImageNet 優勝）
• 2014: VGG、GoogLeNet
• 2015: ResNet（152 層）
• 2017: SENet
• 2019: EfficientNet

Transformer 時代（2020〜）

• 2020: Vision Transformer（ViT）
• 2021: Swin Transformer、DeiT
• 2022: Stable Diffusion、DALL-E 2
• 2023: SAM（Segment Anything）
• 2024: Sora（動画生成）

代表的なデータセット

主要なフレームワーク・ライブラリ

汎用

• OpenCV: 画像処理の基本ライブラリ
• PIL/Pillow: Python 画像処理
• scikit-image: 科学計算向け

深層学習

• PyTorch + torchvision: 最も人気
• TensorFlow + Keras: 企業向け
• Detectron2: Meta 製、検出・セグ
• MMDetection: OpenMMLab、検出
• MMSegmentation: セグメンテーション
• Ultralytics: YOLO 系

高レベル

• Hugging Face Transformers: ViT、CLIP、SAM
• timm: PyTorch Image Models
• SuperGradients: Deci、本番向け
• PaddleDetection: Baidu 製

応用分野

自動運転

• レーン検出: 道路の車線
• 物体検出: 車、歩行者、信号
• セマンティックセグ: 走行可能領域
• 深度推定: 3D 空間把握

医療

• X 線・CT 診断: 腫瘍検出
• 病理画像: がん細胞識別
• 網膜画像: 糖尿病性網膜症
• 手術支援: リアルタイム解析

製造業

• 外観検査: 不良品検出
• ロボットビジョン: ピック＆プレース
• 品質管理: 製品寸法測定
• 安全管理: ヘルメット確認

小売

• 商品認識: セルフレジ
• 在庫管理: 棚監視
• 顧客分析: 動線追跡
• 試着 AR: バーチャル試着

セキュリティ

• 顔認証: 入退室管理
• 異常検知: 侵入者検出
• 行動分析: 不審行動
• ナンバープレート認識

エンターテインメント

• AR フィルタ: Instagram、TikTok
• 動画編集: 自動切り抜き
• ゲーム: モーションキャプチャ
• VR: 手のトラッキング

農業

• 作物監視: ドローン撮影解析
• 収穫時期判定
• 害虫検出
• 雑草除去

宇宙・地理

• 衛星画像解析
• 地図生成
• 災害検出
• 気象予測

自作 PC での CV 開発

必要スペック

インストール例

# 基本
pip install opencv-python torch torchvision

# 検出
pip install ultralytics  # YOLO

# 高度なモデル
pip install transformers  # ViT、CLIP、SAM
pip install timm  # モデル集

# OCR
pip install paddlepaddle paddleocr

# 追加ライブラリ
pip install albumentations  # データ拡張
pip install kornia  # 微分可能画像処理

サンプルコード（物体検出）

from ultralytics import YOLO

# モデルロード
model = YOLO('yolo11n.pt')

# 画像で推論
results = model('image.jpg')

# 結果の可視化
for r in results:
    r.show()

# Webcam リアルタイム
results = model(0, show=True)

計算リソースの要件

推論（FPS）

学習時間（目安）

関連用語

• CNN、ResNet、EfficientNet
• ViT、Swin Transformer
• YOLO、Faster R-CNN、DETR
• U-Net、DeepLab、SAM
• Stable Diffusion、DALL-E