「画像のどこに、何が、いくつあるか」を当てる——それが物体検出です。自動運転や監視カメラを支える画像認識の中心的タスクで、G検定でもR-CNN・YOLO・SSDといった手法名とセットで頻出します。この記事で仕組みから手法の系譜まで整理しましょう。

📖 ひと言でいうと

物体検出とは、画像の中から特定の物体を見つけ出し、その「位置」を四角い枠(バウンディングボックス)で示しながら、「種類」と「個数」も同時に答える技術です。画像分類が「この写真は犬の写真です」と1つの答えを返すのに対し、物体検出は「左に犬が1匹、右に人が2人います」と、写っているものを1つずつ枠で囲んで教えてくれるイメージです。

🖼 1枚でわかる物体検出

物体検出 — どこに・何が・いくつあるか
  • 出力 — バウンディングボックス(位置)＋クラス(種類)＋個数
  • 画像分類との違い — 全体に1ラベルではなく、物体ごとに個別認識
  • 2段階型 — R-CNN系: 候補領域を出してから分類。高精度
  • 1段階型 — YOLO・SSD: 位置と種類を一度に予測。高速
  • 評価指標 — mAP(平均適合率)。新潮流はTransformer型のDETR
つくもち屋「G検定対策」SUMMARY

📘 公式テキストの説明

物体検出は、画像内の特定の物体を識別し、その位置や種類、個数などの情報を抽出する技術である。これは、画像分類が画像全体の内容を判別するのに対し、物体検出は画像内の各物体を個別に認識し、その位置を特定する点で異なる。この技術は、監視カメラの映像解析、自動運転車の周囲環境認識、医療画像の解析など、多岐にわたる分野で応用されている。物体検出の手法として、深層学習を用いたものが主流となっている。特に、畳み込みニューラルネットワーク（CNN）を基盤としたモデルが高い精度を示している。代表的な手法として、R-CNN（Region-based CNN）、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）などが挙げられる。R-CNNは、画像内の物体候補領域を抽出し、それぞれをCNNで分類する手法である。一方、YOLOやSSDは、画像全体を一度に解析し、物体の位置と種類を同時に予測することで、高速な処理を実現している。物体検出の精度向上には、大量の学習データと適切なアノテーションが不可欠である。また、モデルの性能評価には、平均適合率（mAP）などの指標が用いられる。近年、Transformerを活用したDETR（DEtection TRansformer）など、新たな手法も提案されており、物体検出の分野は日々進展している。

この説明の核は「画像分類との違い」と「手法の2系統」です。画像分類は画像全体に1つの答え、物体検出は物体ごとに位置と種類を答えます。そして手法には、候補領域を出してから分類する2段階のR-CNN系と、一度に予測する1段階のYOLO・SSD系がある、という構図を押さえれば、この長文はすっきり整理できます。

🔍 しっかり理解する

2つのアプローチ: 精度のR-CNN系、速度のYOLO・SSD系

🅰 2段階型(R-CNN系)
  • まず「物体がありそうな候補領域」を抽出
  • 次に各領域をCNNで分類・位置補正
  • R-CNN → Fast R-CNN → Faster R-CNNと高速化
  • 丁寧な2段構えで精度が高い傾向
🅱 1段階型(YOLO・SSD)
  • 画像全体を一度に解析
  • 位置と種類を同時に予測
  • YOLO＝"You Only Look Once"(一度見るだけ)
  • 高速でリアルタイム処理向き

初期のR-CNNは候補領域を1つずつCNNにかけるため非常に低速でした。これを改良したFast R-CNN、候補領域の抽出自体もニューラルネットワーク化したFaster R-CNNへと発展し、2段階型は精度と速度を両立していきます。一方、YOLOはその名(You Only Look Once＝一度見るだけ)のとおり、画像を一度ネットワークに通すだけで全物体の位置と種類を出力する発想の転換で、動画のリアルタイム検出を現実的にしました。SSDも同じ1段階型の代表です。

評価指標mAPと、新潮流DETR

物体検出の性能は、クラスごとの適合率を平均したmAP(mean Average Precision、平均適合率)で評価するのが標準です。「検出した枠がどれだけ正確に正解と重なり、どれだけ取りこぼしなく見つけられたか」を総合した指標だと理解しておけば十分です。また近年は、自然言語処理で成功したTransformerを物体検出に持ち込んだDETR(DEtection TRansformer)が登場し、候補領域抽出などの手作業的な設計を減らす新しい流れを作っています。

学習にはアノテーションが不可欠

物体検出モデルの学習には、画像中の物体1つひとつに枠とラベルを付けた大量のアノテーションデータが必要です。枠の付け方の品質がそのまま精度に響くため、データ整備が実務上の大きなコストになります。

💡 具体例で考える

例1: 自動運転の周囲環境認識。 車載カメラの映像から歩行者・他車・信号・標識をリアルタイムに検出し続ける必要があるため、1秒間に何十枚も処理できるYOLOやSSDのような高速な1段階型が重宝されます。ここで「歩行者が2人、車が3台」と個数まで把握できるのが、画像分類にはない物体検出の価値です。

例2: 医療画像・監視映像の解析。 X線画像から病変の疑いのある箇所を枠で示して医師の見落としを防いだり、監視カメラ映像から人物や置き去りにされた荷物を検出したりと、「どこにあるか」が重要な場面で広く使われています。

⚠️ よくある誤解・紛らわしい用語

💡 ポイント
  • 画像分類との混同: 「画像全体が何の画像かを判別する」のは画像分類。物体検出は「各物体を個別に認識し位置を特定」します。定義問題ではこの対比が選択肢に仕込まれます。
  • セグメンテーションとの違い: 物体検出の出力は四角い枠であり、物体の形どおりの領域は分かりません。ピクセル単位で領域を塗り分けるのはセグメンテーションです。
  • YOLO・SSDを「2段階で高精度」と説明したら誤り: YOLO・SSDは「一度に解析して高速」が正しい特徴づけ。逆にR-CNNを「一度に予測して高速」とするのも誤りです。
  • mAPは検出の指標: 正解率(Accuracy)ではなく、平均適合率mAPが物体検出の標準指標である点を押さえましょう。

📝 試験でのポイント

💡 ポイント
  • 定義問題では「位置や種類、個数などの情報を抽出」「バウンディングボックス」がキーワード。画像分類・セグメンテーションとの入れ替え選択肢に注意。
  • R-CNN＝候補領域を抽出して分類(2段階)、YOLO・SSD＝一度に解析して高速(1段階)、という手法の対応づけは最頻出です。
  • YOLOの正式名称「You Only Look Once」やSSDの「Single Shot MultiBox Detector」から特徴(一度に・単発で)を連想できるようにしておくと選択肢を切りやすくなります。
  • 評価指標としてmAP、新手法としてTransformerベースのDETRの名前も選択肢に登場しうるので対応づけておきましょう。

📚 まとめ

💡 ポイント
  • 物体検出は、画像内の物体の位置(枠)・種類・個数を抽出する技術です。
  • 画像全体を判別する画像分類と異なり、物体を1つずつ個別に認識します。
  • 手法は2段階型(R-CNN系＝高精度)と1段階型(YOLO・SSD＝高速)に大別されます。
  • 性能評価にはmAP(平均適合率)が使われ、近年はTransformer型のDETRも登場しています。
  • 自動運転・監視カメラ・医療画像など「どこに何があるか」が問われる場面の中核技術です。
カテゴリー
G検定、キーワード解説
前の記事
【G検定】セマンティックセグメンテーションとは？ピクセル単位で画像を分類する技術を解説
2026年5月21日
次の記事
【G検定】物体識別とは？画像分類・物体検出との関係をわかりやすく解説
2026年5月21日