10.6.1 プロジェクトロードマップ：ビジョン証拠パックを作る

コンピュータビジョンプロジェクトは「モデルを使った」だけではありません。データ、アノテーション、モデル出力、指標、失敗例、発表をつなぐループです。

まずプロジェクトループを見る

最速で完結したループを作るなら分類から始めます。ボックスが必要なら検出、マスクが必要なら分割、OCR・動画・3D はより専門的な場面で使います。

プロジェクト準備チェックを動かす

人に見せられるプロジェクトと呼ぶ前に、このチェックを使います。

project = {
    "task": "helmet detection",
    "has_data_note": True,
    "has_metric": True,
    "has_failure_case": True,
    "has_annotation_rule": True,
}

ready = all(project[key] for key in ["has_data_note", "has_metric", "has_failure_case", "has_annotation_rule"])

print("task:", project["task"])
print("presentable:", ready)

出力：

task: helmet detection
presentable: True

annotation rule や failure case がない project は、まだ demo であり portfolio project ではありません。

この順番で学ぶ

手順	Project Type	Evidence
1	Classification	dataset split、accuracy/F1、confusion examples
2	Detection	box annotations、IoU/mAP、false positives and missed detections
3	Segmentation	masks、IoU/Dice、boundary failures
4	Industry scenario	risk notes、user impact、deployment idea
5	Hands-on workshop	larger project pages の前に reproducible mini pipeline

project を広げる前に、10.6.4 実践：再現可能な Vision Mini Pipeline を作る を実行します。

プロジェクト成果物基準

成果物	最低要件	強いポートフォリオ版
README	goal、run command、dependencies、examples	task boundary、data source、deployment idea を追加
Data and annotation	image source、class list、annotation format	annotation examples、quality checks、bias notes を追加
Results	1 枚以上の input image と prediction result	correct、false positive、false negative、boundary cases を追加
Evaluation	Accuracy、F1、mAP、IoU、Dice、OCR hit rate	class、scenario、lighting、clarity ごとの error analysis を追加
Failure analysis	1 件以上の real failure	suspected cause、fix action、regression check を追加
Presentation	screenshot または short GIF で動作を証明	明確な visual project page を作る

合格ライン

vision project が再現可能で、明確な data and annotation rules、適切な metrics、model failure の例を持っていれば、この章は合格です。