はじめに
機械学習（ディープラーニング）を使うと、画像から「大きさを推定する」「重さを推定する」といった、これまで人が目で判断していた作業を自動化できます。
この記事では 画像から物体の重さを推定する＝回帰（連続値の予測）タスク を題材に、
- どんな考え方でモデルを選ぶのか
- 代表的なモデルにはどんな違いがあるのか
を、初学者の視点で整理します。
私はまだ学習途中なので、学んだ内容を備忘録として残しつつ、同じようにこれから始める人が「迷いにくくなる」ことを目的に書いています。
事前に決めておくこと（ここが一番大事）
画像から推定する場合、モデル選びより先に「何をどう当てたいか」を決めるのが最重要です。ここが曖昧だと、どれだけ良いモデルを使っても精度が安定しません。
最初に整理しておくと迷いにくいポイント：
- 対象：植物？魚？家畜？（何の重さか）
- 推定単位：個体 / 区画 / 画像全体（どの範囲の重さか）
- 画像の撮り方：真上固定？斜め？距離固定？照明固定？
- スケール：定規や既知サイズのマーカーを入れられるか（※超重要）
- 正解データ（ラベル）：生重 or 乾物重、測定頻度（ラベルの作り方）
- データ量：何枚くらい集められそうか
- 運用制約：推論はリアルタイム？端末（GPU/CPU/スマホ）？バッテリー？
これらが決まると、
- 必要なデータの作り方
- 適したモデルの方向性
- どこに難しさが出るか（撮影条件・個体差・水分量など）
が自然と見えてきます。
「バックボーン」とは何か
画像系AIでは、画像から特徴を取り出すための 特徴抽出部分 を
バックボーン（backbone） と呼ぶことが多いです。
ResNet、EfficientNet、ConvNeXt、Swin Transformer などは、主にこの 「特徴抽出の設計」 が違うモデルだと考えてOKです。
実際のタスクではだいたい、
- バックボーン：画像から特徴を取り出す
- ヘッド：分類・回帰・セグメンテーションなど目的に応じた出力
という構成になります。
今回の「重さ推定」は 回帰 なので、ヘッドは「数値を出す」形（例：最後を1ユニットの線形層）にします。
初心者がまず押さえる3つの視点
モデルの違いは、まず次の3軸で考えれば十分です。
- 精度（当たりやすさ）：どれくらい誤差が小さいか
- 計算の軽さ（速さ）：推論が速いか、GPUが必要か
- モデルサイズ（容量）：メモリ使用量、ファイルサイズ、端末に載るか
※ 実際には入力解像度、実装、バッチサイズ、最適化などでも変わります。
CNN系とTransformer系（ざっくり）
モデルは大きく2系統に分かれます。
A. CNN系（従来からの主流）
- 局所（近所のパターン）を積み上げて理解する設計が多い
- 速くて扱いやすいものが多い
- 小〜中規模データでも比較的安定しやすい傾向
B. Transformer系（近年強い選択肢）
- 画像全体の関係性を扱う設計が得意（設計により局所性も入れる）
- 条件が整うと高精度になりやすい一方で、計算や設定に左右されやすいこともある
- 検出・セグメンテーションなどでも強いモデルが多い（例：Swin）
重要：CNNも層を重ねれば全体情報を持てますし、Transformerも局所性を取り入れています。
「どっちが必ず上」ではなく、データ量・計算資源・運用条件で“コスパが変わる” と捉えるのが安全です。
代表的なバックボーンの例（押さえる範囲を絞って紹介）
「全部覚える」より、まずは よく出る代表 を掴むのが近道です。
ResNet-18 / 50 / 101（基本の教科書）
- 何者？：標準的で最も参照されるCNN
-
違い：数字が大きいほど精度寄りだが重くなる
- 18：軽量・高速
- 50：バランス型（定番）
- 101：精度寄り・重め
EfficientNet-B0 / B4（計算の節約が上手）
- 何者？：少ない計算で精度を上げる設計が特徴
-
違い
- B0：非常にコスパが良い（軽いのに強い）
- B4：より高精度だが計算量増
MobileNetV3-Large（スマホ・エッジ向け）
- 何者？：モバイル/CPUで回す前提の軽量モデル
- 特徴：非常に軽く高速（Largeは精度寄り）
- 使いどころ：アプリ・組み込み用途
ConvNeXt-Tiny（“今どき設計”のCNN）
- 何者？：CNNを最新設計思想でアップデート
- 特徴：CNNの中ではかなり強い
- 使いどころ：迷ったら候補に入れてよい
ViT-B/16（Vision Transformer）
- 何者？：画像をパッチに分けてTransformerで処理
- 特徴：データ量・事前学習・設定に性能が依存しやすい
- 使いどころ：大規模学習が可能、または良い事前学習を活かせるとき
Swin Transformer（Swin-Tなど）
- 何者？：Transformerを現実的な計算量に抑えた設計（階層＋ウィンドウ）
- 特徴：実用性が高く、検出・セグメンテーションにも強い
- 使いどころ：データと計算がある程度あり、精度も狙いたいとき
補足：DenseNet / Inception 系も重要ですが、初学者の最初の選択肢としては
「ResNet / EfficientNet / MobileNet / ConvNeXt / Swin」あたりを押さえると迷いにくいです。
推定の代表的アプローチ3つ
ここが「モデルより効く」ことも多いです。
① 画像 → 直接「重さ」を回帰（最短で試せる）
分類モデルの最後を 数値出力 に変更して学習します。
- メリット：最もシンプル、すぐ試せる
-
注意点
- 背景・照明・カメラ距離などの 撮影条件に引っ張られやすい
- 「見た目が似てるけど重さが違う」ケースに弱くなりがち（厚み・密度・水分量）
② 対象領域を切り出してから推定（環境変化に強くしやすい）
セグメンテーションで対象部分を抽出し、面積・被覆率などを使って推定します。
-
メリット
- 背景変化に強くなりやすい
- 「対象だけ」を見せられるので学習が安定しやすいことがある
-
注意点
- マスク作成コストが高い（ただし効果も大きい）
- 面積だけでは厚みが表現できず限界が出ることもある
③ 深度・体積情報を使う（物理的に納得しやすい）
ステレオ、LiDAR、SfM、ToFカメラなどで3D情報を取得して推定します。
- メリット：体積が取れるので「重さ」に近づきやすい
- 注意点：撮影システムのハードルが高い（機材・校正・運用）
データ設計が成功のカギ（超重要）
画像→重さ推定では、モデルより データ設計の影響が大きいことが多いです。
1) 正解（重さ）の定義を固定する
- 生重 / 乾物重（混ぜない）
- 個体 / 区画 / 画像全体（対象範囲を固定）
- 測定タイミング（撮影と計量のズレをなくす）
2) スケールを入れる（非常に重要）
- 定規、既知サイズマーカー
- 撮影距離・カメラ位置・焦点距離を固定
スケール導入で減る誤差
- 距離（撮影倍率）の違いによる見かけのサイズ変化
- 個体サイズ差の解釈ミス
ただし残りやすいもの
- 照明、影、反射、濡れ具合、背景の色・模様
3) 背景を単純にする or 切り出す
- 背景が変わると精度が落ちやすい
- 可能なら「背景は一定」か「マスクで切り出す」
4) データ分割に注意（リーク防止）
同一個体・同一区画が train/test に混ざると、実力より良く見えます。
- 個体単位・区画単位・日付単位で分割
- 似た連番画像はまとめて同じ側へ
評価指標（まずはこれだけでOK）
「当たる」を数値化しないと改善できません。
- MAE（平均絶対誤差）：誤差の平均（単位がそのまま）
- MAPE（平均絶対%誤差）：%で分かりやすい（0付近の値があると注意）
- （余力があれば）R²：当てはまりの指標
最初のおすすめ（迷ったらこの順）
まず動かして基準を作る（最重要）
-
超シンプルなベースライン
- 例：面積（簡易マスクや閾値でも可）→ 線形回帰
-
DLベースライン
- ResNet-50 回帰 か EfficientNet-B0 回帰
- そこから「データ設計」や「②/③」へ拡張
ベースラインがあると、「本当にDLが効いてるか」「データ設計が効いてるか」が判断できます。
条件別・おすすめ
-
とにかくまず動かしたい
→ ResNet-50 / EfficientNet-B0 -
軽量運用・エッジ端末（CPU/スマホ）
→ MobileNetV3 / EfficientNet-B0 /（さらに軽さ重視なら）Shuffle系 -
背景や環境が変わりやすい
→ ② セグメンテーション併用 ＋ ResNet / ConvNeXt -
データ量・計算資源が十分ある（精度も狙う）
→ Swin Transformer / ViT（＋良い事前学習の活用）
まとめ
- モデル選びより 「何をどう測るか」 が重要
- 画像から重さ推定は 2D→3D の壁があり、スケール・撮影固定・切り出し が効く
- 最初は ベースライン（簡易）→ ResNet/EfficientNet回帰 で基準を作る
- その後、環境変化が大きいなら セグメンテーション、物理的に寄せるなら 深度/3D を検討する