前置き
- この記事はこちらの記事の続きです
- 専門家ではないので、誤った情報を書いている可能性があります
- 本稿では、AI推論で使用される代表的なモデルをまとめます
まず「AIモデル」とは何か？
要点をざっくり復習
- モデルとは、ざっくり言えば「AIにおける頭脳・判断ロジック」
- 学習によって「猫の特徴」「人の顔のパターン」などを記憶し、
入力（例：画像）から出力（例：ラベル）を導く仕組み - モデルごとに得意なことや構造が違う
知っておくと便利な代表的なモデルとその特徴
１．YOLO（You Only Look Once）
目的：物体検出（画像内の「どこに何があるか」）
| バージョン | 特徴 |
|---|---|
| YOLOv1〜v3 | 初期のリアルタイム物体検出。Darknetという独自フレームワークで実装 |
| YOLOv4 | パフォーマンス向上。TensorFlowなどでも使いやすく |
| YOLOv5 | UltralyticsがPyTorchで実装。ONNXに変換しやすく、使い勝手◎ |
| YOLOv6〜v8 | 軽量化や精度改善が進化。YOLOv8は物体検出だけでなく、セグメンテーションや分類も対応可能 |
おすすめ用途：リアルタイムに画像内の物体を見つけたいケース（監視カメラ、交通監視など）
２．ResNet（Residual Network）
目的：画像分類（画像に何が写っているか）
| バージョン | 特徴 |
|---|---|
| ResNet-18/34/50/101 | 数字が大きいほど層が深くて高精度（でも重い） |
- 残差接続（スキップ接続）により、深くても学習しやすいという革命的構造
おすすめ用途：画像に写っているモノを分類する（猫？犬？など）
３．MobileNet / EfficientNet
目的：軽量・高速な画像分類や検出（スマホや組込機器向け）
- MobileNet：軽いモデルで、Raspberry Piやスマホでも動く
- EfficientNet：精度も高くて効率が良い設計（"Efficient"）
おすすめ用途：デバイスに制限があるとき、低消費電力で使いたいとき
４．BERT（自然言語処理系）
目的：テキストの理解・分類・質問応答など
- Googleが開発した自然言語処理モデル
- 入力が文章、出力が「文の意味」や「分類結果」など
- ChatGPTも内部ではこれに似たTransformer構造を使ってる
おすすめ用途：文章の分類、要約、チャットボット、検索強化など
５．CLIP（画像＋テキストのマルチモーダル）
目的：画像とテキストを同じ空間で理解する
- 「この画像に写っているのは"犬が走ってる"というテキストに近いか？」みたいな判断ができる
- OpenAIが開発しており、DALL·Eや類似検索などにも応用
おすすめ用途：画像検索・類似画像検出・マルチモーダルAI
モデルを選ぶときのポイント
| 目的 | モデル例 |
|---|---|
| 画像に何が写ってるか知りたい | ResNet / EfficientNet |
| 画像の中に「どこに何があるか」知りたい | YOLO / Faster R-CNN |
| 軽くて高速にしたい | MobileNet / YOLOv5n（Nano） |
| 文章を分類したい | BERT / DistilBERT |
| 画像とテキストを組み合わせたい | CLIP / BLIP |
これだけは覚えておきたい代表モデル（まとめ）
| モデル名 | 用途 | 特徴 |
|---|---|---|
| YOLOv5 | 物体検出 | 高速・ONNX変換しやすい・人気 |
| ResNet50 | 画像分類 | 安定・高精度・基本中の基本 |
| MobileNetV2 | 軽量分類 | スマホ・組み込み向け |
| BERT | 自然言語 | 文脈理解がすごい |
| CLIP | 画像＋テキスト | OpenAI製、画像検索にも強い |
補足情報
※ 各モデルのONNX形式は以下のような場所から入手できます(2025.3現在)
次回(推論#03)は推論する環境の構築方法について記事を書こうと思います