Ch.15

物体検出（Object Detection）：R-CNN系とYOLOの対決（バウンディングボックスを探す）

物体検出一覧

R-CNN は候補箱を 一つずつ開ける 倉庫検品、 YOLO は 担当区域ごとに同時報告 する現場点検のイメージです。

同じ写真で 「犬はどこ？」 を探すとき、 R-CNN は 疑わしい領域(候補ボックス) を先にたくさん出し、一つずつ確認します。 YOLO は写真を 格子 に分け、各マスが 同時に 位置と種類を報告します。最後に 重複ボックス除去 NMS (Non-Maximum Suppression、 お掃除)で重なりを整理し、 検出成績 mAP (mean Average Precision、 総合点)でうまく見つけたか評価します。

R-CNN — 候補を先に、確認は後 · YOLO — 格子ごとに一括 — Unsplash

R-CNNまず「ここに何かありそう」という 点線候補 を多数出し、確認した 1つだけ 実線ボックスに残します。

YOLO写真を格子に分けると、各セル担当が 一度に 担当区域の 位置と種類 を一緒に報告します。

1枚の写真はこう処理される

まず RGB 画像 を入れます。分類と違い、 複数物体がどこにあるか まで探すのが目的です。 CNN バックボーン が画像を 特徴マップ に変えます。この後の段階がこの特徴を読んでボックスを描きます。 R-CNN は物体がありそうな 候補領域 を多数提案します。 YOLO は画像を S\timesS 格子 に分割します。 各 候補や格子セル で 何か(クラス) と どこか(ボックス) を同時に予測します。 重複除去(NMS) で同じ物体の重なった箱を1つに整理し、 成績(mAP) と 重なり(IoU) でどれだけ正確か評価します。

分類 は「この写真に猫がいる？」と聞きます。 物体検出 は一歩進んで 「猫はどこ(X,Y)に、どれくらい(W,H)？」 と尋ね、 バウンディングボックス を描きます。自動運転・不良検査・ロボットビジョンの中核です。 本章では分野を二分する2つの発想に出会います。疑わしい領域を先に探してから確認する 慎重な2-stage R-CNN と、画像を格子のように分け 一度だけ 見渡す 高速1-stage YOLO 。設計思想の違いと、箱の質を測るわかりやすい指標を学びます。

数式の読み方（物体検出）

\text{IoU}=|A\cap B|/|A\cup B|

物体検出: R-CNN vs YOLO

1. 分類 vs 検出：「何」から「どこにある何」へ 画像分類 は「この部屋に猫がいる？」 物体検出 は「猫は どこ にいる？」写真中の複数物体に箱を描き、名前も当てる、より高度な作業です。 2. R-CNN 系 (2-stage)：慎重な探偵 ①「ここに何かありそう」と 領域提案(RoI) を多数出す \to ②各候補を詳しく見て「猫だ！箱はこの大きさ！」と決める。 正確 だが2段階のため やや遅い 。 3. YOLO (1-stage)：一目で把握する警備員 YOLO は名の通り画像を 一度だけ 見ます。 S\timesS 格子 に分け、各セルが同時に「私の区域に犬！」と叫び箱を描く。 リアルタイム 向きの圧倒的な速さ。 4. 品質の道具：IoU \cdot NMS \cdot mAP - IoU： 予測と正解の箱がどれだけ重なるか(0~1)。核心は 交差\div結合 。詳しい式は 数式ガイド へ。 - NMS（Non-Maximum Suppression）： 同じ犬に箱が乱立したら、 お掃除 して いちばん確かな1つ だけ残す。 - mAP（mean Average Precision）： どれだけうまく見つけ、箱を引けたかの 総合成績表 。

重要性

現実世界で動くAIの「目」 自動運転は歩行者・車の 正確な位置 がないとブレーキを踏めません。ロボットも どこを掴むか 必要です。分類を超えた 空間理解 を与えます。 速度か精度か？用途に合わせて選ぶ CCTV・自動運転では YOLO(1-stage) 、医療画像の微細病変では R-CNN(2-stage) 。両方の長所を知れば最適な選択ができます。 指標なしに「良い/悪い」は言えない クラス名が合っても箱がズレれば意味がありません。 IoU と mAP が客観的な証拠と改善の物差しになります。 セグメンテーションへの踏み台 箱はざっくりした外接矩形。検出をマスターすれば、ピクセル単位の セグメンテーション へ自然に伸びます。

使い方

ステップ1：データと箱座標の準備 各物体の位置をラベル化。 (x_min, y_min, x_max, y_max) または (cx, cy, w, h) のどちらかに統一します。 ステップ2：用途に合うネットワーク選択 リアルタイム なら YOLO系格子 モデル。小さく密集した物体を高精度でなら RPN付き Faster R-CNN 。 ステップ3：学習 — マッチングと損失 IoU で予測と正解を対応づけ、 分類誤差 と 回帰誤差 を同時に減らします。 ステップ4：重複除去(NMS)と成績確認(mAP) 低スコアを捨て、 NMS（Non-Maximum Suppression、お掃除） で重複を整理し、検証データの mAP（mean Average Precision、総合成績） で性能を確認します。

まとめ

一行要約: 物体検出は各物体の 種類と箱 を同時に求める技術。 2-stage R-CNN と 1-stage YOLO の二大流派。 要点: IoU で重なり、 NMS（重複除去） で整理、 mAP（総合成績） が性能の物差し。 次: 箱から セグメンテーション へ — ピクセル輪郭まで。

問題解説ノート

まずこう読んで始めましょう - 問われている軸を先に分ける: 分類 vs 検出 / R-CNN 2-stage vs YOLO 1-stage / IoU\cdotNMS\cdotmAP - 計算問題は型を固定: YOLO 格子 S\timesS \to 総セル数 S² (例: S=7 \to 7\times7=49) - IoU\cdot和集合: 和集合 = A + B - 交差, 重なり 4\times4 \to 面積 16 「物体検出の目的に最も近いのは?」 ① 画像全体にクラス1つ ② 各物体のボックス+クラス ③ ピクセル分割のみ ④ 学習率のみ 正解 2 なぜ? 検出は 何 + どこ を同時に求めます。分類は全体ラベル1つです。 例（O/X型） 「YOLOは常に2-stageのみを使う」 正解 0 (誤) なぜ? YOLOは S\timesS 格子で1-stage 一括予測です。 例（計算型） 「YOLO 格子 S=7 の総セル数は?」 \to 7\times7=49 問題タイプ別の例 + 正解の理由 例（シナリオ型） 「推論後、同じ人の周りにボックスが5つ重なる。まず?」 ① NMSで重複除去 ② ラベルシャッフル ③ バックボーン0層 ④ mAP削除 正解 1 なぜ? 重なった重複ボックスは NMS で整理します。 例（選択計算型） 「ボックスA\cdotB 各面積32、交差16 の和集合面積は?」 正解 48 (32+32-16) なぜ? 和集合 = A + B - 交差 の型です。 例（格子型） 「YOLO 格子 S=9 の総セル数は?」 正解 81 (9\times9) なぜ? S\timesS 格子 は一辺のセル数を二乗します。 例（総合推論型） 「CCTVでリアルタイム推論が必要。構造は?」 ① Selective Searchのみ ② 原典R-CNNのみ ③ YOLO系1-stage ④ 増強停止 正解 3 なぜ? 速度 重視なら 1-stage YOLO を先に検討します。

物体検出: R-CNN vs YOLO

1. 分類 vs 検出：「何」から「どこにある何」へ

画像分類は「この部屋に猫がいる？」物体検出は「猫はどこにいる？」写真中の複数物体に箱を描き、名前も当てる、より高度な作業です。

2. R-CNN 系 (2-stage)：慎重な探偵

①「ここに何かありそう」と領域提案(RoI)を多数出す →

②各候補を詳しく見て「猫だ！箱はこの大きさ！」と決める。正確だが2段階のためやや遅い。

3. YOLO (1-stage)：一目で把握する警備員

YOLOは名の通り画像を一度だけ見ます。S×S 格子に分け、各セルが同時に「私の区域に犬！」と叫び箱を描く。リアルタイム向きの圧倒的な速さ。

4. 品質の道具：IoU · NMS · mAP

- IoU： 予測と正解の箱がどれだけ重なるか(0~1)。核心は交差÷結合。詳しい式は数式ガイドへ。

- NMS（Non-Maximum Suppression）： 同じ犬に箱が乱立したら、お掃除していちばん確かな1つだけ残す。

- mAP（mean Average Precision）： どれだけうまく見つけ、箱を引けたかの総合成績表。