2026 年 4 月 14 日、アマゾン ウェブ サービス ジャパン合同会社（以下、AWS ジャパン）は、「フィジカル AI 開発支援プログラム by AWS ジャパン」の採択企業向け勉強会を東京の AWS 目黒オフィスにて開催しました。勉強会では、 NVIDIA 加瀬 敬唯氏より、NVIDIA Robotics Solutions をご紹介いただきました。AWS からは、Physical AI 開発 「データ生成」 フェーズにおける AWS の活用方法と Remote AWS Develop Station のご紹介を行いました。本プログラムについては、過去のブログも参照してください。 「フィジカル AI 開発支援プログラム by AWS ジャパン」の応募受付を開始 「フィジカル AI 開発支援プログラム by AWS ジャパン」キックオフイベントを開催しました 「Physical AI on AWS 勉強会 #1」を開催しました NVIDIA Robotics Solutions のご紹介 Physical AI が今注目される背景と、NVIDIA のシミュレーション技術、そして、世界モデル Cosmos とヒューマノイド向け基盤モデル GR00T について、NVIDIA Robotics Solution Architect の 加瀬 敬唯氏よりご紹介いただきました。 Agentic AI の次のステップとして注目されているのが Physical AI です。Physical AI という言葉は、ヒューマノイドだけでなく、監視カメラ・自動運転・ドローン・工場ロボット等、物理世界を理解し行動する AI 全般を指します。従来の産業ロボットはルールベースで柵の中でしか動けませんが、Physical AI は経験から学習し非構造化環境で動作します。最大の課題はデータ不足で、実ロボットから取得できるデータには物理的限界があるため、シミュレーションによる大規模データ生成が鍵となっています。 Physical AI における最大の課題、データ不足に対して、NVIDIA は実世界におけるロボットの動きを再現しデータを取得できる、さまざまなシミュレーション技術を開発し、提供しています。オープンソースのロボットシミュレーター Isaac Sim を中核に、実環境を iPhone 撮影から 3D Gaussian Splatting で再構築する NeuDex、柔軟物シミュレーションに対応する次世代物理エンジン Newton を提供しています。学習フレームワーク Isaac Lab では強化学習・模倣学習に加え、VR デバイスによるシミュレーション内テレオペレーション（Isaac Teleop）も可能です。 Physical AI のモデル開発においては、シミュレーションによるデータ収集に加え、データの前処理・拡張（Augmentation）・品質評価といった一連のデータパイプラインの整備が不可欠です。NVIDIA からは、この工程を実行するツールやモデルとして、Cosmos Curator（動画キュレーション）、Cosmos Transfer（背景変換）、Cosmos Reason（Physical AI 特化 VLM）を提供しています。 シミュレーションやデータパイプラインに加え、NVIDIA が開発・公開しているモデルやデプロイ向けツールの紹介もありました。Cosmos v2 は、3500 万時間の動画データで学習された世界モデルで、入力映像の続きを予測・生成することでロボットの検証やベンチマークに活用できます。ヒューマノイド向け基盤モデル GR00T N は VLM（System 2）と 120Hz 制御の Diffusion Transformer（System 1）の 2 層構造です。デプロイ向けには GPU 最適化 ROS パッケージ群 Isaac ROS や、異種 GPU リソースを統合管理する OSMO も提供されています。 Physical AI 開発 「データ生成」 フェーズにおける AWS 活用 Physical AI の開発では 「データ生成・収集 → モデル学習 → モデル配信・推論」 の 3 ステップを繰り返します。この各ステップにおける、AWS から提供される NVIDIA GPU の選択肢と、データ生成フェーズにおける AWS の活用方法について、Solutions Architect の杉山より紹介しました。 Physical AI 開発の各フェーズに最適なインスタンスをその理由とともにご紹介しました。データ前処理において、 GPU が不要な場合は、Amazon EC2 C8/M8 等のコンピュート最適化インスタンス、シミュレーションにはレイトレーシングに特化した RT コアと大容量 VRAM を備えリアルタイムレンダリングが可能な Amazon EC2 G6e/G7e (NVIDIA L40S Tensor Core GPU / RTX PRO 6000 Blackwell Server Edition 搭載) インスタンスを推奨しています。学習フェーズでは、VRAM 消費が比較的軽い LoRA ファインチューニングにはAmazon EC2 G6e、大容量 VRAM が必須となるフルファインチューニングには Amazon EC2 P5 (NVIDIA H100 Tensor Core GPU 搭載)インスタンスが適しています。さらに事前学習から取り組む場合は、大規模な分散学習に対応した Amazon EC2 P5en/P6-B200 (NVIDIA H200 / B200 Tensor Core GPU 搭載) インスタンスがおすすめです。 Physical AI モデル開発に利用するデータ生成目的のシミュレーションは、Amazon EC2 上にインストールされた Issac Sim で実行します。そして、生成されたデータは、スケーラブルでコスト効率に優れたオブジェクトストレージである Amazon S3 への保存するのが一般的です。AWS の東京リージョンでは、Issac Sim のリモートデスクトップによるグラフィック操作を快適に行える Amazon EC2 G6e/G7e インスタンスがご利用いただけます。さらに、高性能リモートデスクトッププロトコルである Amazon DCV を利用することで、より快適なシミュレーション環境を実現できます。EC2 間の DCV 接続は無料です。 また、Kubernetes ベースのワークフローオーケストレーターである NVIDIA OSMO もご紹介しました。NVIDIA OSMO は、Physical AI の開発パイプラインである、 「データ生成・収集 → モデル学習 → モデル配信・推論」 を Kubernetes 上で定義・自動実行するオーケストレーターで、各ステージに最適な GPU リソースを自動で割り当てる点が特徴です。NVIDIA OSMO は AWS 上でも利用でき、G 系・P 系インスタンスの選択が自動最適化されるため、インスタンス選定の手間が軽減されます。 スライド資料 Remote AWS Develop Station (RADS)​ Physical AI 開発に便利な Amazon EC2 ベースの開発環境を​簡単に起動/接続/管理できるサンプル 「Remote AWS Develop Station (RADS)​」 を Solutions Architect の原田より、ご紹介しました。 RADS は Amazon EC2 ベースの開発環境を Web ポータル経由で提供するサンプルソリューションです。Isaac Sim や ROS を使ったシミュレーションワークロードを AWS 上で手軽に始められることを特徴としており、ユーザー自身の AWS 環境にデプロイして使うセルフマネージド環境です。接続方式は Amazon DCV（Web / ネイティブクライアント）、code-server（ブラウザ IDE）、SSH（Systems Manager 経由）の 3 種をサポートしています。Web ポータルからインスタンスタイプ・AMI・EBS サイズを選ぶだけで環境が立ち上がり、チームメンバーごとに独立した環境をセルフサービスで作成・停止・削除できます。 ゴールデンイメージには NVIDIA ドライバー・ROS・Isaac Sim に加え、Amazon Bedrock 連携の AI コーディングエージェント（Claude Code 等）もセットアップ済みで、約 5 分で開発を開始できます。 Physical AI 開発におけるユースケースとしては 2 つあります。1 つ目は Issac Sim などを用いたシミュレーションで、DCV 接続まで含めたセットアップ済み環境により、初めての方でもすぐに始められます。2 つ目は AI 駆動開発です。ローカルから分離されたサンドボックス環境として開発環境が起動するため、ローカルに保存された機密データの AI エージェントによる漏洩や改変を心配することなく、長時間エージェントを稼働させたり、大量のエージェントを並列で実行することができます。 利用開始方法もシンプルです。インフラは全て AWS Cloud Development Kit (AWS CDK, コードでクラウドインフラを定義・プロビジョニングするフレームワーク) で定義されており、2 つのコマンドを実行するだけで約 30 分〜 1 時間でデプロイが完了します。現在オープンソース公開に向けて準備中です。 今後のスケジュール 時期 内容 2026 年 5 月中旬 ロボット勉強会: AI 開発者がロボット業界に入っていく上で知っておくべき知識の共有（内容・日程調整中） 2026 年 6 月 1 日 Community Meetup #1 – 登録ページは こちら 2026 年 6 月 25-26 日 Demo Day（中間報告会）at AWS Summit Tokyo 2026（幕張メッセ） 2026 年 7 月中旬 Community Meetup #2 2026 年 7 月下旬 最終成果報告会（AWS 麻布台ヒルズ オフィス 予定） おわりに 本勉強会では、NVIDIA の Robotics Solutions に加え、Physical AI 開発の各フェーズに最適な Amazon EC2 GPU インスタンスの選び方、そしてシミュレーション環境を手軽に構築できるサンプルソリューション RADS をご紹介し、AWS 環境でシミュレーションを実行するための実践的な知識を共有することができました。参加された企業の皆様が、既存の環境と合わせて活用いただくことで、より開発を加速させることができるよう、AWS ジャパンとしても引き続き支援をさせていただきます。 AWS ジャパンは、本プログラムを通じて日本のフィジカル AI の発展に貢献してまいります。採択企業の皆さまの挑戦と、成果発表会をどうぞご期待ください。 関連リンク : –  フィジカル AI 開発支援プログラム by AWS ジャパン（発表ブログ） – 「フィジカル AI 開発支援プログラム by AWS ジャパン」キックオフイベントを開催しました – 「Physical AI on AWS 勉強会 #1」を開催しました

はじめに 株式会社ジャパン・インフラ・ウェイマークの川邉です。 当社はNTT西日本の子会社で、ドローン×画像解析AIを活用したインフラ点検を主に行っています。 2025年8月にMeta社が DINOv3 を発表しました。これは2023年に発表された DINOv2 の強化版という位置付けのもので、学習データ数、パラメータ数共に増加したうえで、4Kなどの高解像度画像に対する精度も上げたものになります。 当然、基本性能は2023年の DINOv2 よりも上ですが、以下のような理由により、 DINOv2 の方が使いやすい局面もあります。 要求精度や画像サイズなどによっては DINOv2 で性能が足りる DINOv2 は事前学習済みモデルを含めて Apache2.0ライセンス で提供されているので使いやすい（ 参考 ） DINOv3 は DINOv3ライセンス という特殊なライセンスで提供されている（ 参考 ） そこで本稿では執筆時点でのDINOv2の最新コードを使って、DINOv2 の特徴の一つであるアテンションマップを取得する処理について調査した結果をまとめていきます。 対象読者 本記事が想定する対象読者は以下の通りです。 Python のプログラムを書くことができる AIによる画像処理を行っていて、背景のノイズ影響を抑えるなどの処理をしたい 事前知識 本稿はアテンションマップを取得する具体的な手法を主題としているため、DINOv2 や アテンションマップ といった技術要素については先行する諸記事をご参照いただくこととし、本稿ではざっくりと説明するにとどめます。 DINOv2について 2023年にMeta社が発表した自己教師あり学習による画像処理の基盤モデル（Foundation Model）です。ざっくりいうと、 特定の用途に特化したものではなく、画像認識全般に対して高い性能を有するモデル です。 特定の用途に特化していないので、例えば、物体検出で有名な Ultralytics社 の YOLO や、以前に記事を書いた Roboflow 社の RD-DETR のように、インストールしてコマンドを実行したら所定の物体を検出してくれる・・・というような使い方はできません。 AIを実行して得られるのは特徴量と呼ばれる画像全体や、画像の細部の特徴を表現するためのデータで、利用者は目的に応じてこの特徴データを活用していきます。比較的シンプルな用途としては、画像の特徴同士を比較して、似ている画像を探すという画像検索的なものが考えられます。 その他、DINOv2を活用したプロダクトとして有名な例としては以下のようなものがあります。 Depth Anything （ 公式リポジトリ ）： 1枚の写真から奥行き情報を推定する単眼深度推定モデルです Segment Anything Model v2（ 公式リポジトリ ）： 画像の指定した領域周辺をいい感じに（としか言いようがない）セグメンテーションするモデルです AnomalyDINO（ 公式リポジトリ ）： DINOv2 で得られる特徴量を利用して、入力された画像の異常を検知する異常検知のモデルです なお、DINOv2が発表された当時は CC BY-NC 4.0 という商用利用不可のライセンスだったため、発表当時に書かれた記事の中では商用利用不可として紹介されています。しかし、2023年8月にコード・モデル共にApache2.0ライセンスに変更されています（ 参考 ）。 アテンションマップ これまたざっくりいうと どこの領域の特徴を特に重視するかを示す情報 です。以下の具体例を見た方が早いと思います。 元画像 作成されたアテンションマップ 「元画像」は Pexels からダウンロードしたものです。LearnOpenCV の DINOv2 の解説記事 でも同じ画像が利用されているので、本稿で説明するプログラムの精度評価のために同じものを利用しました。 「作成されたアテンションマップ」は、後で説明するプログラムにて生成したものです。DINOv2のアテンションマップは Block0 ～ Block11 の 12 層が生成されますが、層が深くなるほどアテンションの精度が上がっていき、最終層(Block11)では背景の重みはほぼ 0 となり、犬と、犬の顔付近の重みが強くなっている事が分かります。 このように、入力された画像の特徴を適切に評価するために、重視すべき領域とすべきでない領域を適切に重みづけするための利用されるのがアテンションマップです。 アテンションマップの出力コード 上で例として挙げたアテンションマップを出力するために作成した Python のコードを通して、DINOv2 のアテンションマップの取得方法について説明していきたいと思います。 なお、アテンションマップはあくまで最終アウトプットである特徴量の作成に利用されているものなので、DINOv2 の標準的な機能で取得することはできません。 そこで、本稿では DINOv2 内で実施されているアテンションマップの計算手順を再現する事で、アテンションマップの取得を実現しています。そのため、以下のコードは執筆時点での最新版の DINOv2（コミットハッシュ: b194f00db6136677fc8a4cc2ef2168f7699dfba2 ） で動くことを前提に作成されています。 テストコードの構成 dinov2_attention_map_project/ ├── dinov2_attention_map/ │ ├── main.py │ ├── __init__.py └── pyproject.toml main.py import torch import torchvision.transforms as T import matplotlib.pyplot as plt from PIL import Image def main (): # 画像ファイルは以下のものを利用 # https://images.pexels.com/photos/1108099/pexels-photo-1108099.jpeg IMAGE_PATH = "pexels-photo-1108099.jpeg" # 保存するファイル名 OUTPUT_PATH = "all_layers_attention.png" # デバイス設定 device = "cuda" if torch.cuda.is_available() else "cpu" # モデルロード model_name = "dinov2_vits14" # DINOv2の内部の構造に依存する実装のため、コミットハッシュまで指定 commit_hash = "b194f00db6136677fc8a4cc2ef2168f7699dfba2" model = torch.hub.load(f "facebookresearch/dinov2:{commit_hash}" , model_name).to( device ) model.eval() # モデルからパッチサイズを取得（dinov2_vits14 の場合は 14） patch_size = model.patch_embed.patch_size[ 0 ] num_patches_side = 32 input_size = num_patches_side * patch_size total_patches = num_patches_side** 2 # 画像の準備 img_raw = Image.open(IMAGE_PATH).convert( "RGB" ) transform = T.Compose( [ T.Resize((input_size, input_size)), T.ToTensor(), T.Normalize(mean=( 0.485 , 0.456 , 0.406 ), std=( 0.229 , 0.224 , 0.225 )), ] ) img_tensor = transform(img_raw).unsqueeze( 0 ).to(device) # 全ブロックのアテンションを抽出 all_layer_attentions = [] # ここ以降の処理がDINOv2の内部のコードにかなり依存しているため、別のコミットハッシュの場合は動かない可能性がある with torch.no_grad(): feat = model.prepare_tokens_with_masks(img_tensor) for blk in model.blocks: x = blk.norm1(feat) B, N, C = x.shape # QKV計算 qkv = blk.attn.qkv(x).reshape( B, N, 3 , blk.attn.num_heads, C // blk.attn.num_heads ) q, k, v = torch.unbind(qkv, 2 ) q, k, v = [t.transpose( 1 , 2 ) for t in [q, k, v]] # アテンションスコア算出 attn = (q @ k.transpose(- 2 , - 1 )) * blk.attn.scale # 正規化処理 attn = attn.softmax(dim=- 1 ) # [CLS]から画像パッチへのアテンションを平均して保持 avg_attn = ( attn[ 0 , :, 0 , -total_patches:] .mean(dim= 0 ) .reshape(num_patches_side, num_patches_side) ) all_layer_attentions.append(avg_attn.cpu().numpy()) feat = blk(feat) # 以降は表示用の処理 num_layers = len (all_layer_attentions) cols = 4 rows = (num_layers + cols - 1 ) // cols fig, axes = plt.subplots(rows, cols, figsize=( 15 , rows * 3.5 )) fig.suptitle(f "Attention Maps ({model_name})" , fontsize= 16 ) for i, attn_map in enumerate (all_layer_attentions): r, c = divmod (i, cols) ax = axes[r, c] if rows > 1 else axes[c] # 0-1正規化 attn_map = (attn_map - attn_map.min()) / ( attn_map.max() - attn_map.min() + 1e-8 ) ax.imshow(img_raw.resize((input_size, input_size)), alpha= 0.3 ) ax.imshow( attn_map, cmap= "magma" , alpha= 0.7 , extent=( 0 , input_size, input_size, 0 ), interpolation= "bilinear" , ) ax.set_title(f "Block {i}" ) ax.axis( "off" ) # 余ったサブプロットを消す for j in range (i + 1 , rows * cols): r, c = divmod (j, cols) ax = axes[r, c] if rows > 1 else axes[c] ax.axis( "off" ) plt.tight_layout() plt.subplots_adjust(top= 0.92 ) plt.savefig(OUTPUT_PATH, dpi= 300 ) print (f "アテンションマップを保存しました： {OUTPUT_PATH}" ) plt.show() if __name__ == "__main__" : main() pyproject.toml [tool.poetry] name = "dinov2_attention_map" version = "0.1.0" description = "" authors = [ "Your Name <you@example.com>" ] [[tool.poetry.source]] name = "pytorch_cu118" url = "https://download.pytorch.org/whl/cu118" priority = "explicit" [tool.poetry.dependencies] python = ">=3.10,<3.12" torch = { version = "2.0.1+cu118" , source = "pytorch_cu118" } torchvision = { version = "0.15.2+cu118" , source = "pytorch_cu118" } matplotlib = "^3.10.8" numpy = "<2.0.0" [tool.poetry.scripts] dinov2-attn-map = "dinov2_attention_map.main:main" [build-system] requires = [ "poetry-core>=1.5.0" ] build-backend = "poetry.core.masonry.api" ポイント アテンションマップの取得は上記コードの with torch.no_grad(): feat = model.prepare_tokens_with_masks(img_tensor) for blk in model.blocks: x = blk.norm1(feat) B, N, C = x.shape # QKV計算 qkv = blk.attn.qkv(x).reshape( B, N, 3 , blk.attn.num_heads, C // blk.attn.num_heads ) q, k, v = torch.unbind(qkv, 2 ) q, k, v = [t.transpose( 1 , 2 ) for t in [q, k, v]] # アテンションスコア算出 attn = (q @ k.transpose(- 2 , - 1 )) * blk.attn.scale # 正規化処理 attn = attn.softmax(dim=- 1 ) # [CLS]から画像パッチへのアテンションを平均して保持 avg_attn = ( attn[ 0 , :, 0 , -total_patches:] .mean(dim= 0 ) .reshape(num_patches_side, num_patches_side) ) all_layer_attentions.append(avg_attn.cpu().numpy()) feat = blk(feat) の部分で実施されています。そこで、上記のコードの各処理について順を追って説明していきたいと思います。 なお、上記の部分より前は画像の読み込み、後は結果画像の出力を実施しているだけですので、本稿では説明を割愛します。 基本的な流れについて 本プログラムでは、DINOv2 のコードの中で特徴量の計算を行っている処理を追って、その中でアテンションマップを作成するのに必要な手順部分のみをピックアップ・再現した物になります。 上のコードでは feat = model.prepare_tokens_with_masks(img_tensor) の部分がクラストークン（STEP1）の取得処理。 for blk in model.blocks: のループの中で実施されているのが、アテンションマップの計算処理（STEP2）となります。 STEP1: クラストークンの取得 DINOv2 の特徴量を算出しているコードでは、以下のように prepare_tokens_with_masks という関数をコールしてクラストークンを取得したのち、 Block クラスのコンストラクタに渡しています（ 公式ブランチ ）。 dinov2/models/vision_transformer.py def forward_features (self, x, masks= None ): if isinstance (x, list ): return self.forward_features_list(x, masks) x = self.prepare_tokens_with_masks(x, masks) for blk in self.blocks: x = blk(x) そこで本プログラムでも、同様に prepare_tokens_with_masks をコールして必要なデータを取得しました。 なお、 prepare_tokens_with_masks の内容は以下の通りです（ 公式ブランチ ） dinov2/models/vision_transformer.py def prepare_tokens_with_masks (self, x, masks= None ): B, nc, w, h = x.shape x = self.patch_embed(x) if masks is not None : x = torch.where(masks.unsqueeze(- 1 ), self.mask_token.to(x.dtype).unsqueeze( 0 ), x) x = torch.cat((self.cls_token.expand(x.shape[ 0 ], - 1 , - 1 ), x), dim= 1 ) x = x + self.interpolate_pos_encoding(x, w, h) if self.register_tokens is not None : x = torch.cat( ( x[:, : 1 ], self.register_tokens.expand(x.shape[ 0 ], - 1 , - 1 ), x[:, 1 :], ), dim= 1 , ) return x x = self.patch_embed(x) で画像をパッチに変換 x = torch.cat((self.cls_token.expand(x.shape[0], -1, -1), x), dim=1) でクラストークンを結合 x = x + self.interpolate_pos_encoding(x, w, h) で位置情報を追加 if self.register_tokens is not None: 以下の部分でレジスタトークンを挿入 という順に処理が実施されていますので、この関数の返り値の中には クラストークン レジスタトークン 位置情報 の順で情報が格納されています。 STEP2: アテンションマップの計算 Block クラスのコンストラクタに渡されたクラストークンは、以下のように正規化後に Attention クラスに渡されています（ 公式ブランチ ）。 dinov2/layers/block.py class Block (nn.Module): def __init__ ( self, # 中略 norm_layer: Callable[..., nn.Module] = nn.LayerNorm, attn_class: Callable[..., nn.Module] = Attention, ffn_layer: Callable[..., nn.Module] = Mlp, ) -> None : super ().__init__() # print(f"biases: qkv: {qkv_bias}, proj: {proj_bias}, ffn: {ffn_bias}") self.norm1 = norm_layer(dim) self.attn = attn_class( dim, num_heads=num_heads, qkv_bias=qkv_bias, proj_bias=proj_bias, attn_drop=attn_drop, proj_drop=drop, ) そこで、今回のプログラムでも、STEP1 で取得したクラストークンを正規化（ x = blk.norm1(feat) ）したのちに、 Attention クラスの forward 関数（ 公式ブランチ ）と同様の手順でアテンションマップを計算しています。 オリジナルのコードは以下のようになっていますので、 blk.attn.qkv(x).reshape 以降3行分についてはオリジナルの処理をそのまま利用しています。 dinov2/layers/attention.py def forward (self, x: Tensor, is_causal: bool = False ) -> Tensor: B, N, C = x.shape qkv = self.qkv(x).reshape(B, N, 3 , self.num_heads, C // self.num_heads) q, k, v = torch.unbind(qkv, 2 ) q, k, v = [t.transpose( 1 , 2 ) for t in [q, k, v]] x = nn.functional.scaled_dot_product_attention( q, k, v, attn_mask= None , dropout_p=self.attn_drop if self.training else 0 , is_causal=is_causal ) x = x.transpose( 1 , 2 ).contiguous().view(B, N, C) x = self.proj_drop(self.proj(x)) アテンションスコアの計算については、オリジナルコードは nn.functional.scaled_dot_product_attention の中で実施していますが、この関数をそのまま利用してしまうと肝心のアテンションの値が取得できませんので、アテンションの計算部分のみ以下のように実施しています。 attn = (q @ k.transpose(- 2 , - 1 )) * blk.attn.scale attn = attn.softmax(dim=- 1 ) なお、この計算式は Attention is all you need (2017) という論文に記載されたもので、オリジナルの論文では以下のような計算式で示されています。 ここまで完了した時点で attn の内容は [1, num_heads, total_tokens, total_tokens] の順でデータが並んだ状態になっています。さらに、 total_tokens は [CLS]トークン: 1個 Registerトークン: 4個 Patchトークン: 画面を14x14のパッチで分割した個数（= total_patches ） の順で要素が並んでいるため、 attn の末尾から total_patchs 分を取り出す（ attn[0, :, 0, -total_patches:] ）ことで Patch トークンのリストを取得する事ができます。 さらに、Patch トークンのリストには画像全体を 14pixel × 14pixel のパッチで分割した際の、各パッチ領域のアテンションの値（重要度）が入っていますので、これを num_patches_side × num_patches_side のサイズにリシェイプする事で、最終的にアテンションマップが完成します。 まとめ 本稿では DINOv2 のアテンションマップ取得手順について、オリジナルのソースコードを交えつつまとめてみました。 画像認識系のAIを開発していると、本来注目すべきではない箇所に対する誤検知に苦労する事もありますので、アテンションマップの情報を活用する事で背景などに対する誤検知の抑制に活用できるのではないかと思います。 執筆者 川邉　隆伸　（ジャパン・インフラ・ウェイマーク開発部所属） 画像認識系AIの開発や、それらを提供するSaaS環境の構築を行っています。 免責事項 本記事に記載された情報は、2026年1月時点での公開情報および筆者の検証・調査結果に基づくものです。 記事に記載されている各プログラムやモジュールの機能、実行条件などは予告なく変更される場合があります 本記事の内容を実践される際は、必ず各プログラムの最新の公式ドキュメントをご確認ください 本記事の情報に基づいて行われた意思決定や実装により生じた損害について、筆者および所属組織は一切の責任を負いかねます 参考資料・出典 本記事の執筆にあたり参考としたページは以下の通りです DINOv2 の公式リポジトリ： https://github.com/facebookresearch/dinov2 Attention is all you need （論文）： https://research.google/pubs/attention-is-all-you-need/ 商標 Python は Python Software Foundation の登録商標または商標です Ultralytics YOLO は Ultralytics の登録商標または商標です Pexels は Pexels GmbH の登録商標または商標です

はじめに こんにちは！ セーフィーの開発本部エンジニアリングオフィスで26卒内定者インターンをしている吉田・水野・小石川です。 今回はインターン活動の一環で2025/11/15(土)に開催された「BTCONJP2025」というカンファレンスに私たちインターン生がゼロからWebアプリを作成し展示させていただいたので、その技術的挑戦と当日のトラブル対応について振り返りたいと思います。 当日の写真 導入・背景 自己紹介 吉田🧖)開発本部で内定者インターンをしている吉田和司です！結構多趣味で最近はドローンに興味を持って資格を取ったりしました。他にもサウナが大好きで、この前は名古屋の