VGG16とは？仕組み・使い方・転移学習を徹底解説

AIの画像認識分野で長く“定番”として使われているのが、VGG16という深層学習モデルです。
2014年に発表された比較的古いモデルでありながら、今も教材・研究・実務現場で活用されています。

とはいえ、「VGG16って何？」「ResNetやEfficientNetとはどう違うの？」と感じる方も多いでしょう。また、「Kerasでの使い方」「前処理の注意点」「どの層を再学習すべきか」など、実践段階での疑問も多くあります。

本記事では、VGG16の構造と考え方を整理したうえで、転移学習での使い方や最新モデルとの比較までをわかりやすく解説します。AI初心者〜中級者が「VGG16の位置づけ」と「どのように実務で活かせるか」を理解できる内容です。

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

VGG16とは？画像認識の基礎を築いたモデル

VGG16の概要と誕生背景

VGG16は、オックスフォード大学の研究チーム「Visual Geometry Group（VGG）」が開発した畳み込みニューラルネットワーク（CNN）です。
2014年の論文「Very Deep Convolutional Networks for Large-Scale Image Recognition」で提案され、ILSVRC2014で高精度を記録しました。

それまでのCNNは8層前後が主流でしたが、VGG16は16層の重みを持つ深い構造を採用。
「ネットワークを深くすれば精度が上がる」という仮説をシンプルな構成で実証しました。

3×3の小さな畳み込みを積み重ねる思想

VGG16の特徴は、「3×3の小さなフィルタを複数積み重ねる」設計にあります。
大きなカーネルを1回使うより、小さな畳み込みを重ねる方が受容野を広げつつ、非線形性と表現力を高めることができます。
この思想は後のResNetやEfficientNetにも受け継がれています。

VGG16とVGG19の違い

VGG19は畳み込み層が3つ多いモデルで、性能差はごくわずかです。
計算コストの低いVGG16の方が転移学習では広く使われています。

VGG16の構造を簡単に整理

VGG16は13個の畳み込み層＋3個の全結合層で構成されています。
入力画像サイズは224×224ピクセル、RGB3チャンネルが標準仕様です。
5つのブロックからなり、「畳み込み×2〜3 → プーリング」を繰り返し、最後にSoftmaxで1000クラス分類を行います。この規則的でシンプルな構造が、VGG16を“理解しやすいベースモデル”にしています。

VGG16の仕組みを理解する：畳み込みから分類まで

畳み込み層とプーリング層の役割

VGG16は、人間の視覚のように「画像を段階的に理解する」仕組みを持っています。
畳み込み層がエッジや色の変化などの特徴を抽出し、プーリング層が情報を圧縮して位置のズレに強くします。この繰り返しにより、浅い層は線や模様を、深い層は形や物体の構成要素を捉えます。

特徴量抽出と分類の流れ

1. 入力画像を224×224にリサイズ
2. 畳み込み＋ReLUで非線形変換
3. MaxPoolingで空間を圧縮
4. 全結合層で特徴を数値化
5. Softmaxで確率的に分類

前半13層が特徴抽出部、後半3層が分類部として機能します。

受容野の広がりをイメージする

VGG16の浅い層は線やエッジなどの局所的特徴を、深い層はより広い範囲の構造（顔や物体全体）を捉えます。この局所から全体へと抽象化する構造こそ、VGG16の本質です。

VGG16を実務で使う ― 転移学習の最短レシピ

Kerasでの基本コードと前処理

from tensorflow.keras.applications import VGG16
from tensorflow.keras.applications.vgg16 import preprocess_input
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras import layers, models

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))
base_model.trainable = False

model = models.Sequential([
    base_model,
    layers.GlobalAveragePooling2D(),
    layers.Dense(128, activation='relu'),
    layers.Dense(3, activation='softmax')
])

preprocess_input()はRGB→BGR変換＋ImageNet平均減算を行います。
これを省略すると精度が大幅に下がるため、必ず指定します。入力サイズは224×224固定です。

PyTorchでの転移学習ステップ

import torch
import torch.nn as nn
from torchvision import models

model = models.vgg16(weights=models.VGG16_Weights.IMAGENET1K_V1)
for param in model.features.parameters():
    param.requires_grad = False

num_features = model.classifier[6].in_features
model.classifier[6] = nn.Linear(num_features, 3)

全結合層を差し替え、まずは固定層で学習を安定させたあと、Block5を部分的に再学習すると効果的です。

fine-tuningの基本方針

軽量化・効率化のコツ

• Data Augmentationを活用（回転・反転・明るさ）
• 学習率は1e-3〜1e-4から調整
• EarlyStoppingで過学習防止
• batch_sizeは16以下推奨

VGG16を選ぶ・選ばない判断軸

VGG16を選ぶべきシーン

• 小規模データや教育・検証用途
• 計算リソースが限られている環境
• 可視化・理解を目的とする場合

他モデルを選ぶべきシーン

• 精度と速度を両立したい → ResNet / EfficientNet
• モバイルやリアルタイム用途 → MobileNet

VGG16は現在も「理解・転移学習のベースモデル」として実用価値があります。

見えると腑に落ちる ― 特徴量の可視化例

層ごとの特徴マップを可視化

from tensorflow.keras.applications import VGG16
from tensorflow.keras import models
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.vgg16 import preprocess_input
import numpy as np, matplotlib.pyplot as plt

model = VGG16(weights='imagenet', include_top=False)
img = image.load_img('sample.jpg', target_size=(224,224))
x = np.expand_dims(image.img_to_array(img), axis=0)
x = preprocess_input(x)

layer_outputs = [layer.output for layer in model.layers[:8]]
activation_model = models.Model(inputs=model.input, outputs=layer_outputs)
activations = activation_model.predict(x)
plt.matshow(activations[0][0,:,:,0], cmap='viridis')

浅い層では線や輪郭、深い層では形やパーツが抽出されます。

Grad-CAMで注目領域を可視化

Grad-CAMを使うと、VGG16が「どの部分を重視して判断しているか」をヒートマップで確認できます。
誤分類の原因分析やモデルの理解に有効です。

よくある質問（FAQ）

Q1：include_top=TrueとFalseの違いは？
→ TrueはImageNetの分類用全結合層を含める設定、Falseはそれを除いて特徴抽出部だけを使う設定です。転移学習ではinclude_top=Falseを選び、自分の分類層を上に追加します。

Q2：入力サイズは224×224固定？
→ はい。VGG16はこのサイズで学習されており、変更すると重み形状が合いません。

Q3：前処理を省略すると？
→ 精度が大幅に低下します。preprocess_input()でBGR変換＋平均減算を行いましょう。

Q4：どこまで層を凍結すべき？
→ 一般的にはBlock5のみ。データが少なければ全層凍結が安定します。

Q5：学習が遅い理由は？
→ 約1.38億パラメータによる演算負荷が原因。include_top=Falseで軽量化を。

まとめ ― VGG16の理解が“AIを理解する第一歩”になる

• VGG16は2014年に登場した、画像認識の基礎を築いたモデル。
  　3×3の小さな畳み込みを積み重ねるというシンプルな設計で、高い表現力を実現しました。
• 構造が明快で再現性が高く、転移学習の入門に最適。
  　KerasやPyTorchで簡単に扱え、include_top=Falseで特徴抽出モデルとして活用できます。
• ResNetやEfficientNetより重いものの、理解のしやすさは群を抜く。
  　可視化（Grad-CAMなど）を通して、モデルが「何を見ているか」を直感的に学べます。
• VGG16を学ぶことは、AIモデルの仕組みを正しく理解することにつながる。
  　最新モデルを使いこなすためにも、その原点となる思想を押さえることが大切です。

VGG16は、ただの古いモデルではなく、 “深層学習を理解する入り口”です。
仕組みを知り、動かして確かめることで、AIの本質が見えてきます。