コンピュータビジョンエンジニアリングは、数学的理論、アーキテクチャ設計、高度に最適化されたコード実行の厳密なバランスを要求します。従来のコーディングでは複雑なパイプラインを手動で実装する必要がありましたが、現代のAIはパラダイムを転換し、アーキテクチャ意思決定と迅速なプロトタイピングのための力増幅装置として機能しています。
これらのプロンプトは、ChatGPT、Gemini、Claude、DeepSeekを含むすべての主要な大規模言語モデルで機能するように厳密にテストおよび最適化されています。DeepSeekのような特定のモデルは生のロジックに優れ、Claudeはアーキテクチャのニュアンスに優れているかもしれませんが、これらの10のプロンプトは、物体検出とOpenCVにおけるワークフローを効率化したいコンピュータビジョンエンジニアにとって普遍的な基盤を提供します。
1. 堅牢なデータ拡張パイプラインの生成
最適モデル： 迅速で構文的に正しいライブラリ実装のためのChatGPT。
Albumentationsのようなライブラリを使用した広範な拡張パイプラインの記述は退屈な作業です。このプロンプトは、特定のデータセット特性に適した幾何学的変換、測光変換、ノイズ変換を確実にカバーします。
シニアコンピュータビジョンエンジニアとして行動してください。物体検出タスクのためのAlbumentationsライブラリを使用した本番環境対応のPythonスクリプトを作成してください。
パイプラインには以下を含めてください：
1. 幾何学的変換（回転、反転、ランダムクロップ）。
2. 測光歪み（色相・彩度・明度、ランダム明度・コントラスト）。
3. CutoutやCoarseDropoutなどの高度な技術（モデルの堅牢性向上のため）。
4. 'coco'形式のバウンディングボックス処理。
各拡張が様々な照明条件下でのモデル一般化にどのように役立つかを説明するコメント付きでコードを出力してください。
得られるもの： 過学習を防ぐバランスの取れた拡張戦略を瞬時に生成し、手動での設定調整に費やす時間を節約します。
2. アノテーション形式の変換（COCOからYOLOへ）
最適モデル： 高精度なロジックとスクリプト生成のためのDeepSeek。
データは頻繁に間違った形式で届きます。使い捨てのパーサーを書く代わりに、このプロンプトを使用して、エッジケースやディレクトリ構造を処理する堅牢な変換スクリプトを生成します。
物体検出データセットをCOCO JSON形式からYOLOテキスト形式（正規化xywh）に変換する高度に最適化されたPythonスクリプトを作成してください。
要件：
1. 標準ライブラリ（json、os、tqdm）を使用する。
2. 画像とラベルのディレクトリ構造を自動的に処理する。
3. 座標が0から1の間で正規化されていることを検証する。
4. 欠落した画像ファイルや破損したJSONエントリのためのエラーハンドリングを含める。
5. 大規模データセットを処理するためにスクリプトをマルチスレッド化する。
得られるもの： データラングリングという退屈だが重要なタスクを自動化し、座標正規化エラーなしでデータセットがトレーニング準備完了状態であることを保証します。
3. クラス不均衡のためのカスタム損失関数の実装
最適モデル： 数学的概念の説明とコードへの翻訳のためのClaude。
標準的なクロスエントロピーやMSE損失は、まれなクラスを扱う際にしばしば失敗します。このプロンプトは、PyTorchまたはTensorFlowでFocal LossやIoUベースの損失関数を実装するのに役立ちます。
物体検出データセットで深刻なクラス不均衡に直面しています。
1. Focal Lossの背後にある数学的直感と、それがどのように簡単な例の重みを減らすかを説明してください。
2. クラス重みを受け入れるFocal LossのカスタムPyTorch実装を提供してください。
3. 実装が数値的に安定していることを確認してください（適切な場所でlog_softmaxを使用）。
4. このカスタム損失を標準的なトレーニングループに統合する方法を示してください。
得られるもの： マイノリティクラスの再現率を向上させる数学的に健全な実装を提供し、一般的な精度のボトルネックに直接対処します。
4. OpenCV推論パイプラインの最適化
最適モデル： C++/Python最適化技術のためのDeepSeekまたはChatGPT。
レイテンシはリアルタイムビジョンの敵です。このプロンプトは、OpenCVビデオ処理ループからオーバーヘッドを取り除くことに焦点を当てています。
次のシナリオを分析してください：ビデオストリームをキャプチャし、推論を実行するOpenCV Pythonスクリプトがあります。現在のFPSが低すぎます。
スループットを向上させるための優先順位付けされた最適化手法のリストを提供してください。次に、以下を示すコードスニペットを生成してください：
1. マルチスレッドビデオキャプチャ（読み取りと処理スレッドの分離）。
2. 適切な補間フラグを使用した効率的な画像リサイズ。
3. 前処理にPythonループの代わりに汎用配列操作（NumPy）を使用する。
得られるもの： I/Oバウンド操作とCPU/GPUバウンド処理を分離することで、遅いスクリプトをリアルタイムアプリケーションに変えます。
5. モデルバックボーンのアーキテクチャ設計
最適モデル： 高レベルのアーキテクチャ推論のためのClaude。
ResNet、EfficientNet、MobileNetの選択は、デプロイメントの制約に大きく依存します。このプロンプトを使用して、ハードウェアに適した比較分析を取得してください。
AIアーキテクトとして行動してください。エッジデバイス（例：NVIDIA Jetson）にデプロイされる新しい物体検出モデルのバックボーンを選択する必要があります。
MobileNet、ShuffleNet、EfficientNetを以下に基づいて比較してください：
1. パラメータ数と精度のトレードオフ。
2. エッジハードウェア上の推論レイテンシ。
3. ONNXエコシステム内でのサポート。
完璧な精度よりも高いFPSを必要とするタスクに最適なアーキテクチャを推奨し、事前トレーニングされた重みでこのバックボーンをインスタンス化するPyTorchコードを提供してください。
得られるもの： 情報に基づいたアーキテクチャ決定を促進し、ハードウェア制限に直面した開発サイクルの後半でのコストのかかるリファクタリングを防ぎます。
6. テンソル形状の不一致のデバッグ
最適モデル： 迅速なデバッグコンテキストのためのGeminiまたはChatGPT。
形状の不一致は深層学習で最も一般的なエラーです。このプロンプトは、AIにネットワークレイヤーを通じて次元を追跡させます。
畳み込みニューラルネットワークで標準的な「RuntimeError: size mismatch」が発生しています。
以下はアーキテクチャ定義です：[コードスニペットを挿入]。
以下は入力テンソル形状です：[形状を挿入、例：(32, 3, 224, 224)]。
テンソル形状の変換をレイヤーごと（Conv2d、MaxPool、Linear）に追跡し、不一致が発生する正確な場所を特定してください。畳み込みレイヤーの出力空間次元を計算するために使用される式を説明してください。
得られるもの： 特徴マップの縮小を瞬時に計算し、クラッシュを引き起こす正確なレイヤーを特定するペアプログラマとして機能します。
7. モデルのONNX/TensorRTへのエクスポート
最適モデル： 厳密な技術構文とライブラリ準拠のためのDeepSeek。
デプロイメントでは、PyTorch/TensorFlowからの移行が必要になることがよくあります。このプロンプトは、モデルエクスポートと動的軸設定の定型文を処理します。
トレーニング済みのPyTorchモデルをONNX形式にエクスポートするための包括的なガイドとPythonスクリプトを提供してください。
ソリューションは以下を満たす必要があります：
1. 可変入力解像度を可能にする動的入力軸（バッチサイズ、高さ、幅）を処理する。
2. サンプル入力を使用して元のPyTorchモデルに対してエクスポートされたONNXモデルを検証し、数値精度を確保する（atol=1e-5）。
3. onnx-simplifierを使用してONNXグラフを簡素化するコマンドを含める。
得られるもの： 研究コードと本番推論エンジンの間のギャップを埋め、モデルがデプロイメント環境で効率的に実行されることを保証します。
8. 合成データ生成戦略の設計
最適モデル： 創造的でマルチモーダルな概念化のためのGemini。
実データが不足している場合、合成データが鍵となります。このプロンプトは、BlenderやUnityの概念（または生成的AIアプローチ）を使用した生成戦略の計画に役立ちます。
産業環境で[挿入オブジェクト]を検出するための合成トレーニングデータを生成する必要があります。
写実的な合成データを生成するための戦略を概説してください。
1. 産業環境に関連する照明条件と背景のバリエーションを提案する。
2. ドメインランダム化（テクスチャ、カメラ角度）を自動化する方法を説明する。
3. 手動アノテーションを避けるために、レンダリングプロセス中に完璧なバウンディングボックスラベルを自動生成する方法を説明する。
得られるもの： まだ存在しないデータセットでモデルをトレーニングする能力を開放し、ニッチな物体検出タスクにおける「コールドスタート」問題を解決します。
9. 特徴マップとクラス活性化の可視化
最適モデル： 教育的なコード構造のためのClaudeまたはChatGPT。
モデルが何を見ているかを理解することは、誤検出をデバッグするために重要です。このプロンプトは、Grad-CAMまたは生の特徴マップを可視化するコードを生成します。
CNNの中間特徴マップを可視化し、特定のターゲットレイヤーのGrad-CAMを実装するPythonユーティリティ関数を作成してください。
関数は以下を満たす必要があります：
1. 勾配と活性化をキャプチャするためにフォワードパスにフックする。
2. ヒートマップを元の入力画像にオーバーレイする。
3. 結果の可視化を指定されたディレクトリに保存する。
4. 標準的なResNetベースのアーキテクチャと互換性がある。
得られるもの： 視覚的な解釈可能性を提供し、利害関係者にモデルの失敗を説明し、モデルが正しいオブジェクト特徴に焦点を当てているかどうかを検証できるようにします。
10. 評価指標の計算（mAPとIoU）
最適モデル： コードにおける数学的精度のためのDeepSeek。
独自の指標計算を行うと、微妙なバグが発生することがよくあります。このプロンプトを使用して、標準的で検証済みの指標評価を実装してください。
検証のために平均適合率（mAP）とIntersection over Union（IoU）をゼロから計算するPythonクラスを作成してください。
クラスは以下を満たす必要があります：
1. グラウンドトゥルースと予測テンソルを受け入れる。
2. 与えられた閾値に対してIoUを計算する。
3. 適合率-再現率曲線を計算する。
4. [email protected]と[email protected]:0.95を出力する。
フレーム内でオブジェクトが検出されないエッジケースをどのように処理するかを説明してください。
得られるもの： パフォーマンスベンチマークが正確で学術的標準と比較可能であることを保証し、モデルパフォーマンスに対する誤った自信を防ぎます。
プロのヒント：文脈的プロンプトチェーン
これらのプロンプトを最大限に活用するには、プロンプトチェーンを使用してください。一度にパイプライン全体を要求しないでください。まず、AIに「アーキテクチャを概説してください」と依頼し、次のプロンプトで「上記のアーキテクチャに基づいてデータローダーのコードを生成してください」と依頼し、最後に「トレーニングループを作成してください」と依頼します。この文脈保持により、幻覚が減少し、コードベース全体で変数が一貫して維持されます。