画像認識AIの現在地──YOLO26・RF-DETR・SAM 3・DINOv3・VLMの4系統と、用途・ライセンス別の選び方
Photo by MAK on Unsplash

画像認識AIの現在地──YOLO26・RF-DETR・SAM 3・DINOv3・VLMの4系統と、用途・ライセンス別の選び方

この記事でわかること 2026年11月6日時点の画像認識AIを、YOLO系・DETR系(Transformer)・ゼロショット/基盤モデル・VLM の4系統で説明できる 決まった対象を速く見つけるなら、いまも「自社データで学習させる専用モデル」(YOLO26、RF-DETR、RT-DETRv4 など)が第一候補だとわかる Transformer は CNN を「置き換えた」のではなく、YOLO 自身が取り込む段階に入った(予告中の YOLO27)ことがわかる SAM 3 のようなゼロショットで学習が要らなくなったのではなく、「学習データを作る手間が減った」と言える根拠(比較論文の数字)がわかる 商用利用の前に確認すべきライセンス(AGPL-3.0、非商用、独自ライセンス)をモデルごとに把握できる 画像認識AIとは、画像や動画を入力として、写っているものの種類・位置・輪郭を出力する AI のことです。物体検出(どこに何があるかを枠で返す)、セグメンテーション(画素単位で輪郭を返す)、分類などのタスクがあります。画像を「作る」画像生成AIとは別の分野で、この記事では扱いません。 結論を先に書きます。2026年11月の時点で、カメラ映像から決まった対象をリアルタイムで見つける用途では、YOLO26 か DETR 系の専用モデルを自社データで学習させるのが基本です。SAM 3 などのゼロショットは「データがまだ無い段階の試作」と「正解ラベル付けの下書き」で力を発揮し、VLM は「画像について言葉で答える」役割が中心です。 1. 画像認識AIは4系統に分けると見通しがよくなる この章の結論: 「学習させて使う専用モデル」が2系統、「学習なしで使う汎用モデル」が2系統あります。 まず用語を3つだけ押さえます。 ファインチューニング(追加学習): 既に学習済みのモデルに、自分のデータを追加で学習させること ゼロショット: その対象を学習させていないモデルに、そのまま見つけさせること オープンボキャブラリ: 決まったクラス一覧ではなく、言葉(「赤いヘルメット」など)で対象を指定できること 系統 代表モデル 入力 → 出力 学習データ ライセンスの傾向 YOLO 系(CNN 中心) Ultralytics YOLO26、学術系 YOLOv12・YOLOv13 画像 → 決めたクラスの枠・マスクなど 要る AGPL-3.0 中心 DETR 系(Transformer) RT-DETR / RT-DETRv4、D-FINE、DEIMv2、RF-DETR 画像 → 決めたクラスの枠・マスク 要る Apache-2.0 が多いが例外あり ゼロショット・基盤モデル SAM 3 / SAM 3.1、DINOv3、Grounding DINO、YOLOE-26 画像+言葉や例 → 該当する全部の枠・マスク 原則不要 Meta の独自ライセンスなど VLM Gemini、Qwen3-VL、Florence-2、PaliGemma 2、Moondream 3.1、WeVisOne-VL 画像+質問文 → 文章、枠座標、点 不要 Apache-2.0・MIT・独自が混在 4系統の関係は、次のように整理できます。 ...

2026年11月6日 · ひとりユニコーン
お問い合わせ: [email protected]