【2段階検出（Two-Stage Detection）】 例: R-CNN、Fast R-CNN、Faster R-CNN 処理の流れ: ┌─────────────────────────────────────────────────────┐ │ Stage 1: Region Proposal（領域提案） │ │ │ │ 「物体がありそうな場所」を約2,000個提案 │ │ ・Selective Search（R-CNN、Fast R-CNN） │ │ ・RPN（Faster R-CNN） │ │ │ │ → 時間がかかる（特にSelective Search） │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ Stage 2: 分類 + Bounding Box回帰 │ │ │ │ 各候補領域を個別に処理 │ │ ・クラス分類（何の物体か？） │ │ ・位置の微調整（正確な位置は？） │ │ │ │ → また時間がかかる │ └─────────────────────────────────────────────────────┘ 特徴: ・精度は高い（丁寧に2段階で処理） ・速度は遅い（200ms〜1秒/枚） ・リアルタイム処理は困難 ───────────────────────────────────────────────────── 【1段階検出（One-Stage Detection）】 例: YOLO、SSD、RetinaNet 処理の流れ: ┌─────────────────────────────────────────────────────┐ │ 1回のCNN処理で完結 │ │ │ │ 画像全体を入力 │ │ ↓ │ │ CNN（特徴抽出） │ │ ↓ │ │ グリッドごとに直接予測 │ │ ・クラス（何の物体か？） │ │ ・位置（どこにあるか？） │ │ ・信頼度（物体らしさ） │ │ │ │ → 1回で完結！超高速！ │ └─────────────────────────────────────────────────────┘ 特徴: ・速度が非常に速い（20ms〜50ms/枚） ・リアルタイム処理が可能（30fps以上） ・精度は2段階検出にやや劣る（でも改善中）

【YOLOの3つの特徴】 1. 超高速（Extremely Fast） ・リアルタイム検出が可能（30fps以上） ・Faster R-CNNの10倍以上高速 ・自動運転、監視カメラなどで実用可能 2. グローバルな文脈理解（Global Context） ・画像全体を一度に見る ・背景と物体の関係を理解 ・誤検出（背景を物体と誤認）が少ない 3. シンプルなアーキテクチャ（Simple Architecture） ・1つのニューラルネットワークで完結 ・エンドツーエンドで学習可能 ・実装・改良がしやすい

【YOLOv1のアイデア】 ■ 基本コンセプト 「物体の中心がどのグリッドセルにあるか」で担当を決める 入力画像（448×448）を 7×7 = 49個のグリッドに分割 ┌──┬──┬──┬──┬──┬──┬──┐ │ │ │ │ │ │ │ │ ├──┼──┼──┼──┼──┼──┼──┤ │ │ │🐱│ │ │ │ │ ← 猫の中心がここなら ├──┼──┼──┼──┼──┼──┼──┤ このセルが猫を検出する │ │ │ │ │ │ │ │ ├──┼──┼──┼──┼──┼──┼──┤ │ │ │ │ │🐕│ │ │ ← 犬の中心がここなら ├──┼──┼──┼──┼──┼──┼──┤ このセルが犬を検出する │ │ │ │ │ │ │ │ ├──┼──┼──┼──┼──┼──┼──┤ │ │ │ │ │ │ │ │ └──┴──┴──┴──┴──┴──┴──┘ ■ 重要なポイント ・物体の中心がセル内にあれば、そのセルが担当 ・Bounding Boxはセルの外にはみ出してもOK ・1セル = 1物体を担当（YOLOv1の制約）

【各グリッドセルが予測するもの】 1つのグリッドセルの出力（30次元）: ┌─────────────────────────────────────────────────────┐ │ │ │ Bounding Box 1（5値）: │ │ ・x, y: 中心座標（セル内の相対位置、0〜1） │ │ ・w, h: 幅と高さ（画像全体に対する比率、0〜1） │ │ ・confidence: 信頼度（物体がある確率 × IoU） │ │ │ │ Bounding Box 2（5値）: │ │ ・x, y, w, h, confidence（同上） │ │ │ │ クラス確率（20値）: │ │ ・P(class=cat | 物体あり) = 0.8 │ │ ・P(class=dog | 物体あり) = 0.1 │ │ ・P(class=car | 物体あり) = 0.05 │ │ ・… (PASCAL VOCの20クラス) │ │ │ └─────────────────────────────────────────────────────┘ 合計: 5 × 2 + 20 = 30次元/セル 全体の出力: 7 × 7 × 30 = 1,470値 ───────────────────────────────────────────────────── 【Confidenceスコアの意味】 confidence = P(物体あり) × IoU(予測Box, 正解Box) ・物体がない場合: confidence → 0 ・物体があり、Boxが正確: confidence → 1 最終的なクラススコア: score = confidence × P(class | 物体あり) 例: 猫の検出スコア = 0.9 × 0.8 = 0.72

【YOLOv1のアーキテクチャ】 入力画像（448×448×3） ↓ ┌─────────────────────────────────────────────────────┐ │ 畳み込み層（24層） │ │ │ │ GoogLeNetを参考にした構造 │ │ ・7×7 Conv（stride=2） │ │ ・Maxpool │ │ ・3×3 Conv │ │ ・1×1 Conv（次元削減） │ │ ・… │ │ │ │ 出力: 7×7×1024 │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ 全結合層（2層） │ │ │ │ FC1: 7×7×1024 → 4096 │ │ FC2: 4096 → 7×7×30 = 1470 │ │ │ │ ※YOLOv2以降は全結合層を使わない │ └─────────────────────────────────────────────────────┘ ↓ 出力テンソル（7×7×30） ↓ ┌─────────────────────────────────────────────────────┐ │ 後処理 │ │ │ │ 1. 信頼度が閾値以下のBoxを除去 │ │ 2. NMS（Non-Maximum Suppression）で重複除去 │ └─────────────────────────────────────────────────────┘ ↓ 最終結果: [(クラス, Box, スコア), …]

【YOLOv1の損失関数（5つの要素）】 L = λ_coord × L_coord + L_conf_obj + λ_noobj × L_conf_noobj + L_class ───────────────────────────────────────────────────── 1. 座標損失（L_coord）- 物体があるセルのみ L_xy = Σ [(x予測 – x正解)² + (y予測 – y正解)²] L_wh = Σ [(√w予測 – √w正解)² + (√h予測 – √h正解)²] ※幅と高さは√を取る理由: ・大きい物体: 10ピクセルのズレは小さな誤差 ・小さい物体: 10ピクセルのズレは大きな誤差 → √で小さい物体の誤差を相対的に大きく λ_coord = 5（座標を重視） ───────────────────────────────────────────────────── 2. 信頼度損失（物体あり: L_conf_obj） L_conf_obj = Σ (confidence予測 – IoU正解)² ・正解のIoUに近づけるように学習 ───────────────────────────────────────────────────── 3. 信頼度損失（物体なし: L_conf_noobj） L_conf_noobj = Σ (confidence予測 – 0)² λ_noobj = 0.5（物体なしセルの重みを下げる） ※理由: 物体なしセルの方が圧倒的に多いので、 そのままだと「全部0と予測」に収束してしまう ───────────────────────────────────────────────────── 4. クラス損失（L_class）- 物体があるセルのみ L_class = Σ (P_c予測 – P_c正解)² ・正解クラスは1、それ以外は0

【YOLOv2（YOLO9000）の主な改良】 1. Batch Normalization ・すべての畳み込み層に追加 ・学習を安定化、正則化効果 → mAP +2%向上 2. 高解像度分類器 ・ImageNetで224×224 → 448×448で追加訓練 ・高解像度の特徴を学習 → mAP +4%向上 3. Anchor Boxes導入（重要！） ・事前定義された形状のBoxを使用 ・Faster R-CNNと同様のコンセプト → リコール大幅向上 4. 次元クラスタリング ・K-meansでデータセットからAnchor形状を自動決定 ・手動設定より良い形状 → 精度向上 5. 細かいグリッド ・7×7 → 13×13 → 小さい物体の検出性能向上 6. Darknet-19バックボーン ・19層の畳み込み（VGGより効率的） ・全結合層を廃止 → 高速かつ高精度 結果（PASCAL VOC 2007）: ・YOLOv1: 63.4 mAP ・YOLOv2: 78.6 mAP（+15.2%!）

【Anchor Boxの仕組み】 ■ 事前定義されたAnchor（例: 5個） Anchor 1: 細長い（人間向け） ┌──┐ │ │ │ │ └──┘ Anchor 2: やや縦長（動物向け） ┌───┐ │ │ └───┘ Anchor 3: 正方形（顔向け） ┌───┐ │ │ └───┘ Anchor 4: 横長（車向け） ┌─────────┐ │ │ └─────────┘ Anchor 5: 大きい正方形 ┌───────┐ │ │ │ │ └───────┘ ■ 予測するもの YOLOv1: (x, y, w, h) を直接予測 → 予測値の範囲が広い（学習困難） YOLOv2: Anchorからの調整量を予測 tx, ty: 中心位置の調整 tw, th: サイズの調整 → 予測値の範囲が狭い（学習容易） ■ K-meansでAnchorを決定 訓練データのBounding Boxをクラスタリング → データセットに最適なAnchor形状を自動決定 COCOデータセットの場合: (10,13), (16,30), (33,23), (30,61), (62,45), (59,119), (116,90), (156,198), (373,326)

【YOLOv3のマルチスケール予測】 入力画像（416×416） ↓ Darknet-53（バックボーン） ↓ 3つの異なるスケールで予測 ───────────────────────────────────────────────────── ■ スケール1: 13×13グリッド（大きい物体用） ┌─────────────────┐ │ 13×13グリッド │ ← 1セル = 32×32ピクセル相当 │ │ │ 大きい物体 │ Anchor: (116,90), (156,198), (373,326) │ （車、人全身） │ └─────────────────┘ 予測数: 13×13×3 = 507個のBox ───────────────────────────────────────────────────── ■ スケール2: 26×26グリッド（中くらいの物体用） ┌─────────────────┐ │ 26×26グリッド │ ← 1セル = 16×16ピクセル相当 │ │ │ 中くらいの物体 │ Anchor: (30,61), (62,45), (59,119) │ （犬、椅子） │ └─────────────────┘ 予測数: 26×26×3 = 2,028個のBox ───────────────────────────────────────────────────── ■ スケール3: 52×52グリッド（小さい物体用） ┌─────────────────┐ │ 52×52グリッド │ ← 1セル = 8×8ピクセル相当 │ │ │ 小さい物体 │ Anchor: (10,13), (16,30), (33,23) │ （顔、ボール） │ └─────────────────┘ 予測数: 52×52×3 = 8,112個のBox ───────────────────────────────────────────────────── 合計予測数: 507 + 2,028 + 8,112 = 10,647個のBox → NMSで重複除去 → 最終的に数個〜数十個

【YOLOv3のネットワーク構造（FPN風）】 入力画像 ↓ ┌─────────────────────────────────────────────────────┐ │ Darknet-53（バックボーン） │ │ │ │ 残差接続を持つ53層のCNN │ │ ResNetに匹敵する性能 │ │ │ │ ├─→ 52×52特徴マップ（浅い層） │ │ ├─→ 26×26特徴マップ（中間層） │ │ └─→ 13×13特徴マップ（深い層） │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ FPN風の特徴融合 │ │ │ │ 13×13（深い特徴） │ │ ↓ アップサンプリング │ │ + 26×26（中間特徴）→ 結合 │ │ ↓ アップサンプリング │ │ + 52×52（浅い特徴）→ 結合 │ │ │ │ ※深い層の意味的特徴と浅い層の位置特徴を融合 │ └─────────────────────────────────────────────────────┘ ↓ 3つのスケールで予測

【YOLOv4の主な改良】 開発者: Alexey Bochkovskiy（元祖YOLOチームではない） フレームワーク: Darknet（C言語） ■ アーキテクチャ改良 1. CSPDarknet53バックボーン ・Cross Stage Partial connections ・計算量削減しつつ精度維持 2. SPP（Spatial Pyramid Pooling） ・複数サイズのプーリングを並列実行 ・受容野を拡大 3. PANet（Path Aggregation Network） ・FPNの拡張版 ・Bottom-up path追加で特徴融合強化 ■ 訓練テクニック（Bag of Freebies） 1. Mosaicデータ拡張（革新的！） ・4枚の画像を1枚に合成 ・多様な文脈を学習 ┌───────┬───────┐ │ 画像1 │ 画像2 │ ├───────┼───────┤ │ 画像3 │ 画像4 │ └───────┴───────┘ ↓ ┌───────────────┐ │ 合成画像 │ │ 多数の物体 │ └───────────────┘ 2. CIoU Loss ・IoUに加えて、中心距離とアスペクト比も考慮 3. Label Smoothing ・過学習を防ぐ正則化 ■ 推論テクニック（Bag of Specials） 1. Mish活性化関数 ・ReLUより滑らか 2. DIoU-NMS ・中心距離を考慮したNMS

【YOLOv8の主な改良】 1. Anchor-Free検出（重要な変更！） ・事前定義されたAnchorを使わない ・各グリッドセルが直接、物体の中心点を予測 ・より柔軟な検出が可能 2. 新しいバックボーン ・C2fモジュール（CSPBottleneckの改良） ・より効率的な特徴抽出 ・勾配の流れを改善 3. デカップルドヘッド ・分類と位置推定を分離（別々のヘッド） ・YOLOv5は1つのヘッドで両方を予測 → 各タスクに特化した学習が可能 4. Task-Aligned Assigner ・より良いラベル割り当て戦略 ・訓練の安定化と精度向上 5. タスク統合（1つのフレームワークで全対応） ├─ Detect: 物体検出 ├─ Segment: インスタンスセグメンテーション ├─ Pose: 姿勢推定（キーポイント検出） ├─ Classify: 画像分類 └─ OBB: 回転Bounding Box 6. 改善されたAPI ・さらに簡単に使える ・訓練、推論、エクスポートが統一されたインターフェース

【データセットの構造（YOLO形式）】 project/ ├── dataset.yaml ← データセット設定ファイル ├── images/ │ ├── train/ ← 訓練画像 │ │ ├── img001.jpg │ │ ├── img002.jpg │ │ └── … │ └── val/ ← 検証画像 │ ├── img100.jpg │ └── … └── labels/ ├── train/ ← 訓練ラベル（画像と同名の.txt） │ ├── img001.txt │ ├── img002.txt │ └── … └── val/ ← 検証ラベル ├── img100.txt └── … ───────────────────────────────────────────────────── 【ラベルファイルの形式（img001.txt）】 各行に1つの物体: <class_id> <x_center> <y_center> <width> <height> すべての値は0〜1に正規化（画像サイズで割る） 例（犬と猫を検出するデータセット）: 0 0.5 0.4 0.3 0.5 ← クラス0（犬）、中心(0.5, 0.4)、サイズ(0.3, 0.5) 1 0.2 0.3 0.15 0.2 ← クラス1（猫）、中心(0.2, 0.3)、サイズ(0.15, 0.2) ───────────────────────────────────────────────────── 【dataset.yamlの内容】 # データセットのルートパス path: /path/to/project # 訓練・検証画像のパス（pathからの相対パス） train: images/train val: images/val # クラス数 nc: 2 # クラス名（順序がclass_idに対応） names: 0: dog 1: cat