*プログラミング言語のPythonは今、もっとも注目されている人気の言語*ですが、注目されている理由はそのシンプルさや学びやすさだけではありません。**DX推進の1つの鍵となっている「AI関連」の開発や機械学習にPythonが利用されていることが人気を集めている秘訣**です。

ここでは、AIエンジニアや機械学習エンジニアを目指す方のために、PythonとAIの関係について掘り下げていきます。

Pythonは1990年にグイド・ヴァン・ロッサム氏が開発して1991年に公開された、比較的歴史のあるプログラミング言語です。*構文が非常にシンプルで、少ないコードで開発できる*点が魅力です。サンプルコードで他言語と比較したサイトなどを見てみると、*Cのサンプルコードと比較して、Pythonは1/4程度の記述で済む*ことが分かります。

**言語のタイプは、オブジェクト指向・スクリプト言語・インタプリタ言語であり、Rubyとよく似ている**と言われます。他、C言語とも相性がよく、また機械学習分野やデータ解析に加えてWebアプリケーション開発にもよく利用され、*使い勝手の良さと汎用性の高さも人気の理由*です。

Pythonはその特性を活かして**AI開発分野の機械学習・深層学習（ディープラーニング）・データ解析処理にもよく利用**されていますが、実はWebアプリケーション開発でもよく利用され、*Pythonで作られたものとしてはYouTube・Instagram・DropBoxなどが知られています*。

その他にも、ゲーム・アプリ、デスクトップ・アプリの開発でもPythonは活用されるなど、その汎用性の高さが際立っています。

**Pythonを学ぶには、AIについて理解しておくことが必要**です。Pythonとは切っても切れない関係にあるAIについて見ていきましょう。

### 第4産業革命の原動力となるAI

今最も注目されている最新テクノロジーとして、AI（人工知能）があります。**デジタル革命による第4次産業革命の時代が到来していると言われる中、AIはその中心的役割**を果たそうとしています。

*AIは、人が持つ知覚や知性を人工的に再現する技術として理解されていますが、AIについて一意に決まった定義があるわけではありません*。まだ各界で議論があるようですが、いずれにしてもAIによって世界を根底から覆すような産業革命が起きているのは間違いありません。

### 特定分野では人を超えるAIが出現

AIはまだ発展途上にあり、全ての領域において人間を超えるようなAIはまだ出現していません。しかし、**特定の分野ではAIが人間をはるかに超える能力を発揮**しているケースもあります。医療分野では、一般的な医師に代わって的確な診断を行えるAIが出現しています。

金融分野でも超高速で、精度の高い取引を行うアルゴリズム取引が市場に浸透していると言われています。タクシードライバーの他、会計士・弁護士・教師までAIに置き換わるとさえ言われているほど、*AI技術の進展には目覚ましいものがあります*。

AIの黎明期である*「第1世代」では、人の経験則をベースにして、人の知的作業の支援をするAIが出現*しました。*「第2世代」では統計/探索のモデルによる最適解の発見がAIの役割*となり、**「第3世代」のAIでは脳モデルに基づいた認識性能の飛躍的向上**を目指しています。

昨今、AIが大きく注目を浴びるようになったのは、この第3世代テクノロジーの出現にあります。

*人間の脳モデルを参考にしたアルゴリズムの「ディープラーニング」（深層学習）がその代表的な例*です。

従来の機械学習ではコンピュータ自身がビッグデータを読み解いて、裏にある相関関係などの特徴を見つけてくれましたが、*ディープラーニングによってコンピュータは人の介在やコントロールを必要とせずに自律的・自発的に学習し、自分で判断することが可能*になっています。

## AI分野でPythonが注目される理由

AI分野や機械学習ではPythonが必要不可欠な言語と言われていますが、何十種類ものプログラミング言語がある中で、特にPythonが注目されるのはなぜなのでしょうか。ここでは、**PythonがAIに欠かせない言語とされる背景、他言語との違いなど**について見ていきましょう。

### 科学技術計算分野で主流の言語に転換

Pythonは元々は分散OSの管理用に開発された言語でしたが、海外の科学者やエンジニアのコミュニティで注目され、科学技術計算の分野で評価を得て、次々と新技術の実装にPythonが利用されるようになりました。

その結果、**ライブラリがさらに充実し、科学技術計算の主流言語である「R」言語の機能がPythonに盛り込まれたことで、それまで「R」を用いていた活動の多くがPythonに置き換えられていった**のです。*これが、Pythonが機械学習やデータ解析などで主流になっていった理由*です。

米国の*コンピュータ・サイエンス分野の教育で、Pythonは圧倒的な使用率*を誇っている言語です。米国の大学では、プログラミング教育にPythonが頻繁に使用されています。さらに日本の大学でも近年、教育用言語としてPythonを採用する大学が増加しています。

これは、**Pythonが無駄を排し、非常にシンプルな構文で、初心者にも覚えやすいこと**があります。このような背景から、結果としてPython人口が拡大し、Pythonがさらに活用され、またPythonの利用が拡大するというスパイラルが生まれていることが挙げられます。

### 機械学習に強いといわれるRとの違い

R言語は元々、データ解析や統計プログラムを目的に開発された言語で、当初から主に学術分野や研究分野で使用されており、これらの分野ではR言語が有利でした。一方、**次第にPythonがR言語が持つ機能を吸収し、安定が進んできたことで、科学計算や機械学習分野ではR言語とPythonの機能に差がなくなり、両方の言語が併存**するようになりました。

とはいっても、データ解析・統計処理・多変量解析などの複雑な計算にはR言語の方が優れた部分もあり、*一部の専門領域ではまだR言語が有利*とされています。

## PythonによるAIの作り方の手順

PythonとAIが不可分の関係にあることは分かりましたが、ではPythonを用いてどのようにAIを開発するのでしょうか。ここでは、**PythonによるAI構築の一般的な手順の概略**について見ていきましょう。

最初に、どのようなAIを構築するのかについてAIの概要設計を行います。**概要設計では、用途や目的によってAIの機能（画像・文字認識機能、予測機能など）を決めて、開発用のPythonライブラリやフレームワークを選定し、AI構築の大枠を作ります**。次に、AIに対する学習モデルの選択を行います。学習モデルには大きく分けて*「教師あり学習」「教師なし学習」「強化学習」の3パターンがあり、この中から最適な学習モデルを選びます*。

次に、コンピュータに学習させるためのデータ収集を行います。**AIは「機械学習」を繰り返すことでその精度が上がるため、「機械学習」用のデータが必要**です。そのデータは学習に最適なデータである必要があります。不良なデータを与えればコンピュータの学習精度は低下します。*学習用のデータは精査され、適したラベルが付けられ、クリーニングされ、最適化*されなくてはなりませんが、最近ではこの作業を自動化する動きも出ています。

こうして整備された**学習用データを用いて、機械学習や深層学習（ディープラーニング）を行います**。これらの学習には多くの場合*「TensorFlow」「Amazon Machine Learning」「Azure ML」などのライブラリーや学習ツールが利用*されます。

**AIの学習が済むと、プログラミングによりAIを製品やサービスに実装**します。最近では、AIの作成ツール、プログラミングに必要な機械学習ライブラリが多く公開されており、*誰もが簡単にAIを作成できる*ようになっています。

【入門編】Pythonの基本構文まとめ！学習方法や年収も解説

## 市場価値の高いエンジニアを目指そう

市場価値の高いエンジニアを目指す上で、プログラミング言語に加え、さまざまなスキルの習得が必要です。**AIや機械学習エンジニアを目指すなら、プログラミングに加えてAIや機械学習に関する知識やスキル、ビッグデータなどに関する知識も必要**です。人気の高いPythonプログラマーは急速に増えていますが、それだけではエンジニアとしての市場価値は上がりません。

今後、AI開発に必須のPythonに関するスキルに加え、*AI・機械学習・深層学習に関する高度なスキル*が益々求められることでしょう。

AIを備えたサービスや製品が増加する中、機械学習を中心にPythonエンジニアの需要が急速に増加しています。*Pythonが組めるだけでは通用しなくなってくる*でしょう。そこで**強みとなるのは、機械学習や深層学習のスキルを有すること**です。

これらを体系に学ぶ方法もありますが、とにかくPythonは机上で学ぶよりは実践を重ねることです。自らPythonを用いたプロジェクトに積極的に関わり、経験を積みましょう。

### データサイエンティストとして活躍

今、注目されている職種の1つにデータサイエンティストがあります。**データサイエンティストとはデータの統計や分析によって、ビジネスに関する戦略策定に寄与する職種**です。

データサイエンティストは統計学や確率、モデリング手法などに関する知識に加えて機械学習関する知識が求められます。機械学習ではPythonの知識が不可欠です。*Pythonを学ぶ人で、統計学などを学んだ経験のある人は、データサイエンティストを目標にするのも良い*でしょう。

Pythonと機械学習を学んでAI時代に対応できるエンジニアに

<center>[【関連情報】「AIを仕事で活用する上で必須! 「コマンドプロンプト」作成のポイント｜CANVAS」](https://mynavi-agent.jp/dainishinsotsu/canvas/2024/08/post-1283.html)</center>

DX推進に欠かせないAI技術ですが、そのAI開発に欠かせないプログラミング言語と言えばPythonです。なぜAIにPythonが欠かせないのか、 AIの機械学習に強いR言語とは何が違うのか、PythonとAIとの関係、AIの仕組みなどについても解説していきます。

AI構築に必要な機械学習や深層学習にはPythonが利用されることが多く、PythonとAIは不可分の関係にある

科学技術計算や分析などはR言語の得意分野だったが、Pythonがその機能を吸収することでPythonが主流になった

Pythonエンジニアは、機械学習やAI分野の知識を併せ持つことで活躍の場が広がる

PythonはAIに必須！AIエンジニアを目指すならPythonを学ぼう

まずは、低水準言語とは何か、また低水準言語と対比して用いられる高水準言語について解説します。それぞれどのような違いがあるのか、プログラミングの現場ではどう活用されるのかについてまとめました。

### 低水準言語はコンピュータが直接理解できる言語

低水準言語とは、**人間が理解しやすいプログラミング言語のうち、コンピュータ（CPU）が直接理解して処理できる「機械語」または機械語に近い構造を持った言語のことです。**「低級言語」とも言い、これと対を成す言語が「高水準言語」です。

低水準言語は*電流を通さない「0」と電流を通す「1」のみでコードを表現するため、人間には理解できない数字のコードが羅列されます。*具体例としては以下のようなコードです。

```
00000101000010000000000000000100
10100000000000000000000010001100
11111100000000000000000000000000

人間がこのコードを読むことは難しいですが、コンピュータからするとこれしか理解できないため「低水準」の言語となります。

プログラミング言語の種類と分類は？初心者向けおすすめの言語を解説

高水準言語とは「高級言語」とも呼ばれ、低水準言語と対比して用いられる用語です。**人間が理解できる文法（セマンティック）を定義し、開発効率を向上させたものです。**

簡単に言えば、高水準言語は「Hello Worldと画面に表示」と書くと、瞬時に表示できるような「高いレベル・高水準」の言語です。プログラマーがプログラミングを行う際は高水準言語を用います。代表的な高水準言語の一覧は、以下の通りです。

・BASIC
・FORTRAN
・COBOL
・C言語
・C++
・Java
・PHP
・Ruby
・Pascal
・LISP
・Delphi

高水準言語とは何か？特徴は？なぜ現場で使われているのか解説！

【16種類】プログラミング言語の一覧を種類別に紹介！難易度や選び方も解説

### 低水準言語と高水準言語の違い

*ここでいう水準とは、人間に近いものを高水準、機械に近いものを低水準として定義したものです。*モノの良し悪しを表したものではありません。どちらも品質は高いため、コンピュータ性能を重視したりメンテナンス性を重視したりするなど用途に合わせて言語を採用していきます。

低水準言語と高水準言語の大きな違いは、**「低水準言語=機械語に近い」「高水準言語=人間の言語に近い」という点です。**低水準言語はコンピュータの細かい動作まで定義できますが、コードが細かすぎるため人間が理解・処理ができません。一方の高水準言語はコンピュータに依存しないため人間が理解しやすい特徴があり、プログラミングを行う際は高水準言語を使用します。

<center>[エンジニア転職を成功させるため ぜひ*『マイナビIT エージェント』*をご活用ください！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)</center>

低水準言語には種類があり、*「機械語」「アセンブリ言語」に分かれます。*ここでは、それぞれがどういった言語なのか解説します。

プログラミング言語といえば一般的に、BASIC・C++・Java・PHPといった高水準言語を指しますが、これらは人間がプログラムしやすいように開発した言語で、コンピュータ（CPU）が直接理解できる言語ではありません。

**コンピュータ（CPU）自体が直接理解できるのは、0と1の2進数のバイナリデータで表されている機械語のみです。**コンピュータが理解できる唯一のプログラミング言語のため「マシン語」とも言います。この2進数で表す処理のかたまりを「プログラム実行コード」と言い、人間にはただの数字が羅列してあるだけにしか見えずコードを読むことができません。

プログラミング言語（高水準言語）で記述されたコードは機械語に変換されてから実行されるため、*機械語を直接プログラミングで使うことはほぼありません。*

機械語とは？アセンブリ言語との違いや学ぶ意味・特徴を解説

0・1のみでコードを記述する機械語を、さらに**人間が理解しやすいように簡略化した英数字や記号で1対1に対応させたものをアセンブリ言語と言います。**機械語に1対1で対応しているため「アセンブリ言語=機械語」と言えるところが、プログラミング言語（高水準言語）と異なる点です。

プログラム開発者は機械語に相当するオペコードをニーモニックで表すことで、テキストファイルにソースコードを編集・格納していきます。また、機械語の処理群を定義したマクロを用いて保全性を高めていくことが多いです。

アセンブリ言語はソースコードの記述しにくさがありますが、サイズが小さいため実行ファイルの速度が速いのが特徴です。

アセンブリ言語とは？機械語やC言語との違いをわかりやすく解説！

低水準言語にはさまざまな特徴があります。ここでは、低水準言語のメリット・デメリットについて解説します。

### ハードウェア固有の処理が可能

低水準言語のメリットとして、ハードウェア固有の処理が可能であることが挙げられます。具体的には、*高水準言語に対応していない専用CPUでも動作でき、LSIやASIC等に搭載するカスタムコードを記述することができます。*

また、BIOSやブートストラップローダ・割り込みハンドラはハードウェア固有の処理を実施するため、低水準言語で記述する必要があります。

### OSの機能を最大限活用することが可能

もう1つのメリットとして、OSの機能を最大限活用することが可能であることが挙げられます。具体的には、*メモリ操作やI/Oの制御・CPUモードを用いた特権モードを使用する方法として、低水準言語で記述することが可能です。*

デバイスドライバーも現在も一部のコードは低水準言語で記述され、システムを最適に動作させています。

低水準言語のデメリットは、人間の理解できる言語ではないことです。そのため、*ソースコード維持のための保全性が低くなることがあり、機種依存度が高いためアプリケーションの移行がしにくいという特徴があります。*

現在では、高水準言語との関数の相互呼び出しにより保全性を向上させるなど、低水準言語のマクロ機能により保全性は大分改善されていますが、*プロセッサ変更の際の移行作業は簡単ではないのが実態です。*

低水準言語の開発では、ターゲットとなる実行OSの変換プログラムを用いてアセンブリ言語のソースコードプログラムを変換し、オブジェクトコードを生成して実行プログラムを作成します。

### 低水準言語を用いた開発の作業工程

低水準言語は機種依存性が高いため、稼働環境を用いて*アセンブリ言語の変換プログラムを使用し、オブジェクトコードおよび実行プログラムを作成します。*

開発のデバッグにはシンボルコードを埋め込んだりデバッガを用いたりしますが、*1度品質が確保されたコードは関数化されるためライブラリとして使用することもあります。*

デバッガとは？ソフトウェアの完成度を高める必須機能について解説！

プログラミングで使うライブラリとは？メリット・デメリットを解説

アセンブラとは、**アセンブリ言語のソースコードをオブジェクトコードに変換するプログラムのことを指します。**具体的な機能は、アセンブリ言語で記述されたソースコードから命令指示語となるニーモニックを実行可能なオペコードに変換し、オブジェクトコードを生成します。ソースコードはテキストファイル形式で記述します。

オブジェクトコードはプロセッサが理解できる機械語で、アセンブラを用いることで機械語プログラムへ変換していきます。同様に、マクロ機能で命令群をインライン展開することで開発効率を向上させたり、実行時の動作を向上させたりする役割があります。

コンパイラは主に高水準言語で用います。高水準言語は人間に近い言語のため、ソースコードを効率的に解釈する必要があります。**コンパイラは高水準言語で書いたソースコードを機械語へ翻訳することができます。**プログラミングの世界における人間語と機械語の翻訳機能のようなものです。

近年は最適化コンパイラが登場し、高水準言語を用いて最適化されたコードを生成することが多くなりました。その分コンパイラの最適化の効率も求められてきており、開発環境の選択が重要になりつつあります。

コンパイラとは？その仕組みや違い・おすすめの言語を紹介！

インタープリタとは、**ソースコードに記載されている命令文を1つずつ解釈しながら機械語に変換する形式をとるものを指します。**コンパイラとは対照的な方式です。BASICが代表的なインタープリタ言語で、近年使われているJavaはインタープリタとコンパイラを併用しています。

インタープリタはコンパイル作業がないため簡単に開発を進められますが、実行時にエラー（ランタイムエラー）が発生することもあります。エラー発生を想定して開発を進めなければいけません。

Java入門！概要やメリット、基本事項について徹底解説！

低水準言語は**CPUの内部回路の動作に直接対応しているため、他機種との互換性がありません。**プロセッサに依存するため、CPUアーキテクチャのCISCとRISCで大きく異なります。ましてやIntel社の製品でも32bitと64bitで異なり、命令セット（オペコード）も投入世代によっても異なります。ターゲット環境で採用されるプロセッサ製品については、ハードウェアの細部までしっかりと理解しなければなりません。

### 低水準言語のプログラム移行手順

低水準言語のプログラム移行は難易度が高い作業です。*現行環境と移行先の環境で採用されるプロセッサ・I/O・OSの違いを調査する必要があります。*

移行にあたっては、ターゲットとなる移行先のオブジェクトコードを生成する*クロスコンパイラやアセンブラを活用します。*場合によっては、機械語のコードから逆アセンブラによりソースコードを抽出します。また、現行稼働環境のメモリをコアダンプ解析・リバースエンジニアリングすることでどのように動作するのか考える必要もあります。

## 低水準言語の学習がおすすめな人

低水準言語を学ぶ場合、主にアセンブリ言語を学ぶことになりますが、**アセンブリ言語は特に組込・制御系のエンジニアにとって有用です。**

組込・制御系のエンジニアは機械の動作を制御するシステム、あるいは機械に組み込むシステムを開発するため、ソフトウェアだけでなくハードウェアに関する知識も必要となります。

家電や産業用機器、ネットワーク機器などではハードウェアと親和性の高いアセンブリ言語が使われることが多いです。

<center>[*組込・制御系エンジニアの転職・求人情報を見る　＞*](https://mynavi-agent.jp/jobsearch/job2_0214/result.php?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv18)</center>

### 組込・制御系エンジニアの年収は？

組込・制御系エンジニア（SE）の年収は「マイナビエージェント職業別年収ランキング/職種図鑑」での平均年収は455万円（※2024年10月執筆時点）、経済産業省2017年発表の「IT関連産業の給与等に関する実態調査結果」から近い職種「SE・プログラマ（組込みソフトウェアの開発・実装）」）を参考にすると、平均年収603.9万円と分かりました。

国税庁2020年発表の民間給与実態統計調査における民間企業平均年収は433万円なので、組込・制御系エンジニアは一般平均年収よりも、やや高めであることが分かります。*アセンブリ言語の習得を始め、しっかりと評価されるだけのスキルを身につければ、高年収が狙える職種です。*

【参考】：[マイナビエージェント職業別年収ランキング/職種図鑑/システムエンジニア(制御・組み込み)](https://mynavi-agent.jp/helpful/income2020/category/it05/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)
※【平均年収 調査対象者】2019年12月～2020年5月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[IT関連産業における給与水準の実態① ~ 職種別（P7）](https://warp.da.ndl.go.jp/info:ndljp/pid/11623215/www.meti.go.jp/press/2017/08/20170821001/20170821001-1.pdf)
【参考】：[民間給与実態統計調査-国税庁](https://www.nta.go.jp/publication/statistics/kokuzeicho/minkan2020/pdf/002.pdf)

### 組込・制御系エンジニアの需要・将来性は高い

組込・制御系エンジニアは、*家電製品、産業機械、情報・通信機器などさまざまなシステムの開発現場で需要があり、活躍できるフィールドが幅広いです。*さらに近年では、IoT製品の普及によってその必要性がますます高まっています。

これからもインターネットに繋がる製品は増えていくと考えられるため、組込・制御系エンジニアは将来にわたって需要が衰えないと言えるでしょう。転職者にとっても、大きなチャンスのある職種です。

このような分野に興味のある方は、転職エージェントなどを利用してどのような企業・開発現場でどのような人材が求められているのか、確認してみることをおすすめします。

<center>[あなたに合った企業選びをサポート致します。 エンジニア転職のご相談はぜひ *『マイナビIT エージェント』*へ！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)</center>

## 低水準言語学習に求められるスキル

低水準言語は機種依存性が高いため、知識習得は簡単ではありません。*学習にはハードウェアを理解する必要があるため、マイコンボードやRaspberry Pi（ARM）等のキットを用いるのが良いでしょう。*キットを使い、CPUおよびレジスタ・メモリ・I/Oについて理解を深めます。

また情報処理技術者試験では、COMET IIのハードウェアやCASL IIアセンブラが定義されています。その情報を参考にするのも良いでしょう。

【参考】：[試験区分｜IPA 独立行政法人情報処理推進機構](https://www.ipa.go.jp/shiken/kubun/index.html)

情報処理技術者試験のメリットとは？試験概要や勉強方法も解説

基本情報技術者試験とは？試験概要や合格率、ITパスポートとの違い

低水準言語とはコンピュータが直接理解できる言語で記載するプログラミング言語のことを指します。ここでいう水準とは、コンピュータに近いか人間に近いかを示します。低水準言語のメリット・デメリットを正しく理解して活用することで、プログラム開発の選択肢が広がり自身のスキルアップも期待できるでしょう。

低水準言語とは、コンピュータが直接理解できる言語で記載するプログラミング言語のこと

ここでいう水準とは、品質ではなく「コンピュータに近いか人間に近いか」を示す

低水準言語のメリット・デメリットを正しく理解して活用できると専門性が高まる

低水準言語とは？種類や特徴、高水準言語との違いなどを解説！

[【関連記事】【Pythonのライブラリ管理ツール】pipインストールを徹底解説！Windowsでも簡単？](https://and-engineer.com/articles/YcJyaRAAACMAl3BX)

[【関連記事】PythonのコードをEXE化するには? PyInstallerやその他ツールの特徴や使い方](https://and-engineer.com/articles/ZDZ41BEAAH-qRRlT)

[【関連記事】Pythonで自動化できること7選！面倒な作業を効率化してより便利に](https://and-engineer.com/articles/YRn2KRAAACIA6YPW)

**Pythonは、データサイエンスや機械学習などのAI領域で活用されており、その用途の1つに画像認識があります。**ここでは、画像認識の概要とともに、実際にPythonの代表的な画像認識ソフトウェアであるOpenCVを用いてコードを作成して理解を深めていきます。

【参考】：[Python](https://www.python.org/)

*画像認識とは、画像に写っている情報が何なのか認識する技術を表します。*ここでいう情報とは人や物などで、これらを識別する情報処理の分野として、パターン認識と呼ぶ場合もあります。パターン認識には、広く音声や画像、文字テキストなども含まれますが、ここでは画像を対象に解説していきます。

### 人間の脳と機械やコンピュータとの違い

人間は脳に蓄積されている情報から、画像を見るとそれが何なのか、記憶や経験から識別することができます。機械やコンピュータでは画像の情報が単なるドットの集合体ですので、それが何を意味するのかそのままでは識別できません。

そのために、*画像の特徴やパターンを学習させておき、対象となる画像がどの分類に近いかの識別や、どのパターンに近いか適合の状況を表示させます。*

これらにより、人物の顔の部分を特定したり、生産工場の品質検査で異常がある製品を判別したりすることができます。

### Pythonの代表的な画像認識ソフトウェア

Pythonの代表的な画像認識ソフトウェアとして、次の2点が挙げられます。

*◼︎OpenCV*
OpenCVは、インテルが開発した画像認識ライブラリです。画像処理や解析、パターン認識、機械学習に広く利用することができます。学習済みのモデルが用意されており、自作に適しています。

【参考】：[OpenCV](https://opencv.org/)

*◼︎TensorFlow*
TensorFlowは、Googleが開発した機械学習用ライブラリです。機械学習のみならず、画像認識にも対応します。合わせてTensorFlowのコアライブラリでサポートされるニューラルネットワークライブラリ、Kerasを使うことも可能です。

【参考】：[TensorFlow](https://www.tensorflow.org/?hl=ja)
【参考】：[Keras: Pythonの深層学習ライブラリ](https://keras.io/ja/)
【参考】：[TensorFlow Core チュートリアル：Keras](https://www.tensorflow.org/guide/keras?hl=ja)

ここからは、Pythonの画像認識ソフトウェアとして利用者の多いOpenCVを使い、さらに詳しく解説していきます。

## 画像認識や処理を行うエンジニア

Pythonを主言語として扱うエンジニアをPythonエンジニアと呼びますが、Pythonなどの技術を使って画像認識・画像処理の業務をメインに担当するエンジニアのことを「画像処理エンジニア」と言います。ここでは、画像処理エンジニアの仕事内容や年収事情について紹介します。

画像処理エンジニアとは、*デジタル画像技術に関するアプリ・システムなどの分析や開発、運用を行うエンジニアを指します。*画像処理の技術はあらゆる分野で活用されており、自動車や医療機器メーカー、映像技術、工業分野などさまざまです。

仕事内容としては、画像処理に関する知見を求められたり、プログラミングを行なったりします。大まかな流れは通常のシステム開発と変わらず、クライアントのヒアリングから要件定義を行い、そこで画像処理に必要な技術や工程を特定します。

また、画像処理の技術に関しては「画像処理エンジニア検定」という資格試験でスキルを証明することができます。学習の過程で知識を深めることができるため、画像処理の仕事に携わるエンジニアには取得をおすすめします。

【参考】：[画像処理エンジニア検定](https://www.cgarts.or.jp/v1/kentei/about/img_engineer/index.html)

<center>[*画像処理エンジニアの転職・求人情報を見る　＞*](https://mynavi-agent.jp/jobsearch/job3_0214058/result.php?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv18)</center>

画像処理エンジニアは、システムエンジニアやプログラマーなどの職種に比べて確立された1つの職種というよりも、業務の一環として捉えられるケースが多くみられます。「画像処理エンジニア」と題した求人を出している企業が少ないため、ここではシステムエンジニアの年収を例に紹介します。

「マイナビエージェント 職種図鑑」でのシステムエンジニアの平均年収は431万円（※2024年9月執筆時点）であり、経済産業省2017年発表の「IT関連産業の給与等に関する実態調査結果」から近い職種のエンジニア/プログラマでは、平均年収592万円でした。

国税庁2020年発表の「民間給与実態統計調査」における民間企業の平均年収は433万円なので、*画像処理エンジニアを含むシステムエンジニアは平均年収よりも高めの年収を目指せます。*

画像処理エンジニアとして今後キャリアを積む場合、前述した画像処理エンジニア検定やPythonに関する資格を取得することで、自身の市場価値を高められるでしょう。

【参考】：[マイナビエージェント 職種図鑑/システムエンジニア](https://mynavi-agent.jp/it/jobindex/04.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)
※【平均年収 調査対象者】2020年1月～2020年12月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[IT関連産業における給与水準の実態① ~ 職種別（P7）](https://warp.da.ndl.go.jp/info:ndljp/pid/11623215/www.meti.go.jp/press/2017/08/20170821001/20170821001-1.pdf)
【参考】：[民間給与実態統計調査-国税庁](https://www.nta.go.jp/publication/statistics/kokuzeicho/minkan2020/pdf/002.pdf)

*OpenCVは、PythonのほかC++やJavaでも利用できるポピュラーな画像認識ソフトウェアです。*画像処理の機能が豊富で、他のソフトウェアを追加せずに多くの処理をこなすことができます。英語ですが、豊富なドキュメントが公開されています。

【参考】：[OpenCV](https://opencv.org/)
【参考】：[Introduction to OpenCV](https://docs.opencv.org/4.x/df/d65/tutorial_table_of_content_introduction.html)
【参考】：[OpenCV-Python 4.8.0 Tutorials](https://docs.opencv.org/4.8.0/d6/d00/tutorial_py_root.html)

*OpenCVの公式サイトは英語のドキュメントが中心です。*英語が心配な方は、日本のOpenCVユーザの方々が有志で日本語のドキュメントやサンプルコードを掲載していますので、そちらを利用しましょう。

日本語サイトは公式サイトにもリンクが掲載されていますが、掲載情報はOpenCV2.4.2までなので注意が必要です。

【参考】：[OpenCV.jp](http://opencv.jp/)

*Pythonで利用するには、 ”pip install opencv-python” などでインストールを行います。*同様に、NumpyもPythonの配列処理に活用しますので、 ”pip install numpy” でインストールしておくと良いでしょう。

インストールについて、WindowsやLinuxなどOS別のインストール手順は必要に応じて以下のリンク先を確認しましょう。

【参考】：[OpenCV installation overview](https://docs.opencv.org/4.x/d0/d3d/tutorial_general_install.html)
【参考】：[Install OpenCV-Python in Windows](https://docs.opencv.org/4.8.0/d5/de5/tutorial_py_setup_in_windows.html)
【参考】：[Install OpenCV-Python in Fedora](https://docs.opencv.org/4.8.0/dd/dd5/tutorial_py_setup_in_fedora.html)
【参考】：[Install OpenCV-Python in Ubuntu](https://docs.opencv.org/4.8.0/d2/de6/tutorial_py_setup_in_ubuntu.html)

ここでは、OpenCVの基本操作を学んでいきます。手順は以下の通りです。

*①ライブラリのインポートと画像の読み込み*
PythonでOpenCVを使う場合は、 ”import cv2” でライブラリをインポートします。取り扱う画像データは、JPEGやPNG、BMP・PBMなどの主要なフォーマットに対応します。

配列処理を行う場合は、必要に応じて ”import numpy” などを行い、ライブラリをインポートしておきます。画像の読み込みですが、静止画の場合はcv2.imread()、動画の場合はcv2.VideoCapture()を使って読み込みます。

実際の使い方は、次のように行います。なお、NumPyを使用しない場合は、OpenCVのみインポートしてください。

```import numpy
import cv2
image = cv2.imread('picture.jpg')```

*②画像の前処理*
前処理として画像の処理を行います。認識精度向上のために、cv2.cvtColor()でグレースケールや二値化によるモノクロ化、トリミングなどを行います。BGRの分離やマージも行うことができます。

ここで言うBGRは、青緑赤で通常のRGBとは逆の順番となることに注意します。GBRからRGBへの変換は、cv2.cvtColor()を用います。

次の例は、グレースケールに変換する場合の指定です。

```grayscale = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)```

*③画像の画面表示と保存*
処理した画像を画面に表示するには、cv2.imshow()を使います。保存するには、静止画はcv2.imwrite()、動画はcv2.VideoWriter()で出力します。

具体的には、次のように使用して画像を保存します。

```cv2.imwrite('grayscale.jpg', grayscale)```

ここから、OpenCVを用いた画像の認識を行っていきます。*画像認識には、cv2.CascadeClassifier()で学習済みのモデルを読み込み、cv2.CascadeClassifier.detectMultiScale()で顔などのパターンを検出します。*

なお、OpenCVではあらかじめ認識できるパターンが用意されていますので、それを用いるのが良いでしょう。

ここで用いる学習済みのモデルは、カスケード分類器と言います。同様に学習済みのモデルである、認識パターンの登録済みファイルはカスケードファイルと言い、目や眼鏡、ネコや人の顔、人物の全身・下半身・上半身、左目・右目・証明写真風の顔や笑顔などが用意されています。

格納場所は、 ”Pythonのインストール先\Lib\site-packages\cv2\data” で、17種類の登録ファイルがあります。

【参考】：[OpenCV /data/ haarcascades](https://github.com/opencv/opencv/tree/master/data/haarcascades)
【参考】：[OpenCV Cascade Classifier](https://docs.opencv.org/4.8.0/db/d28/tutorial_cascade_classifier.html)
【参考】：[OpenCV Cascade Classifier Training](https://docs.opencv.org/4.8.0/dc/d88/tutorial_traincascade.html)

### OpenCVを用いた画像認識のサンプルコード

ここまで学んだことを実際のコードにしてみます。*サンプルコードでは、画像から顔（正面）を認識する一連の流れを表します。*顔（正面）の学習済みモデルは、 ”haarcascade\_frontalface\_default.xml" を使います。このファイルをローカルに保存するか、パスを指定して読み込みます。

実際のサンプルコードは、以下の通りです。作成したサンプルコードに注釈を入れておきましたので、参考にしてください。

# NumPyを使う場合インポートします（通常、numpyをnpとして使用します）
#import numpy as np

# OpenCVは必ずインポートします（通常、cv2をcvとして使用します）
import cv2 as cv

# 画像を読み込みます（ここでは'picture.jpg'とします）
imagefile = 'picture.jpg'
image = cv.imread(imagefile)

# グレースケールに変換します
grayscale = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

# 学習済みモデルを読み込みます
# 正式なパスは"Pythonのインストール先\Lib\site-packages\cv2\data"です
cascade = cv.CascadeClassifier("haarcascade_frontalface_default.xml")

# 顔を検出します（検出する最小サイズは50x50とします）
results = cascade.detectMultiScale(grayscale, minSize=(50, 50))

# 検出した場合の処理です
if len(results) > 0:

    # 検出した顔を矩形で囲みます（色は赤、線の太さは2とします）
    for rectangle in results:
        cv.rectangle(image, tuple(rectangle[0:2]),tuple(rectangle[0:2]+rectangle[2:4]), (0, 0, 255), thickness=2)

    # 検出結果を保存します（ここではファイル名の最初に'result-'という文字列を追加します）
    cv.imwrite('result-'+imagefile, image)

    # 検出結果を画面に表示します（ウィンドウタイトルに'imshow:ファイル名'を表示します）
    cv.imshow('imshow: '+imagefile, image)```

## Pythonを使った画像認識は難しくない

Pythonは用途に応じたライブラリが豊富であり、**画像認識も人や動物などを認識するほか、物体の形状を登録することで生産ラインの品質検査にも応用できます。**その中でも、OpenCVは手間なく環境構築と学習済みモデルを使った画像検出が可能で、簡単に始めるにはおすすめのソフトウェアです。

画像処理技術は年々高度化しており、特に汎用性の高いPythonを使って画像処理を行えるエンジニアの需要はますます増加しています。この技術を習得することで、画像処理エンジニアやAI関連職種へのキャリアパスが広がるでしょう。

今のキャリアを活かした転職を望む場合、いかに自分に合う企業とマッチングできるかが重要です。そのような優良企業を見つけるのは至難の業でしょう。

そこでぜひご活用いただきたいのが[マイナビIT エージェント](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)です。 

マイナビIT エージェントは、IT・Webエンジニア向けの無料の転職⽀援サービスです。

IT・Webエンジニアの転職事情に詳しいキャリアアドバイザーが、あなたのご経験やスキルをお伺いし、転職活動のプランをご提案致します。

アドバイザーは企業側の人事担当者と直接連携を取れますので、求人票に載っていない企業情報も確認することができます。残業時間や給与面など、働き方などをしっかり確認の上で応募企業を選んでいくのが良いでしょう。

プログラミング言語の記事（3ページ目）