ImageClassifierで猫の画像を分類する
愛猫の写真を1枚渡し、上位5件の分類候補を表示します。ImageClassifierが返すのは、画像全体に対するカテゴリとスコアです。枠を描く物体検出とは、同じ「猫を見つける」例でも出力が異なります。
この記事でできるようになること
画像分類の候補を一覧にし、上位1件だけで判断しない理由を説明できる。モデルのカテゴリと表示ラベルの違いを確認できる。
HTMLとJavaScriptの変数・関数・イベントの基本が分かる方を対象に、MediaPipeの学習済みモデルを使うところから進めます。自分でモデルを学習させる準備は不要です。
1. 何をしたいときに使うか・モデルを選ぶ
画像分類を考える最初の問いは、「画像全体に名前を付けたいか」です。写真を人・動物・料理などへ振り分ける入口として使えますが、このサンプルのモデルが返すカテゴリはモデル側で決まっています。自分で付けたい名前をJavaScriptの変数に書いても、モデルがその分類を学習するわけではありません。
分類と検出を比較すると、分類には物体の位置がありません。写真に2匹の猫が写っていても「2匹」という数は返りません。猫と人物が一緒に写ると、モデルが画像全体を代表するものとして扱う候補が上位に出ます。写真の一部を切り抜いて分類すると結果が変わることがあります。何を分類するかを入力画像の範囲で決めることも、アプリ側の仕事です。
本サンプルはEfficientNet-Lite0のfloat32版を使います。選ぶときは、モデル名よりも対応カテゴリ・対応入力・ファイルサイズ・端末での時間を確認します。一般物体の分類モデルを、猫の健康状態や人物の感情を調べるモデルとして扱わないようにします。モデルを別のTFLiteへ交換する場合も、ImageClassifier向けのメタデータや入出力に適合することが必要です。
入力画像の長辺はサンプル側で960 px以下にしておき、モデルが必要とする前処理はSDKに任せます。自分で画素を0〜1へ変換してCanvasへ書き戻す処理は、この最小例では不要です。画像を縮小するのはブラウザ側のメモリや描画負荷を抑えるためで、AIが960 pxをそのまま使うと説明するものではありません。公式の画像分類の概要でモデルの条件を確認できます。
2. まず完成したサンプルを動かす
次のデモを開き、サンプル画像を選んで「AIを読み込んで実行する」を押します。画像を選ぶだけではAIを実行しません。最初のボタン操作でSDK・WASM・モデルを取得し、次からは初期化済みのタスクを再利用します。
今回の実行で観察したこと
愛猫の写真では、最上位がtabby、スコアは0.5566でした。続く候補はtiger cat、Egyptian catなどです。条件はPCのChrome、SDK 0.10.34、EfficientNet-Lite0 float32版1、maxResults: 5です。2匹を別々に分類した結果ではなく、画像全体の候補です。「猫種が確定した」「55.66%の確率で正しい」とは解釈せず、上位候補と写真を見比べます。
デモに同梱する人物はAI生成画像、猫は運営者の愛猫の写真です。任意のJPEG・PNG・WebPも読み込めますが、入力画像を推論用サーバーへ送信する処理はありません。SDKとモデルの取得は外部への通信を行います。時刻欄は初期化を除く推論・結果加工・描画の計測で、速度を保証する数字ではありません。
3. ZIPを展開して自分のPCで動かす
VS Codeでフォルダーを開く方法や、app.jsの編集・保存が初めてなら、導入記事のエディター準備と「保存 → ブラウザ更新 → 実行」の手順を先に確認してください。下では、このサンプルの起動に必要な操作を示します。
この教材はHTMLとJavaScriptだけで動く独立サンプルです。サイト全体のAstroプロジェクトをインストールする必要はありません。SDKをCDNから取得するため、起動時のインターネット接続は必要です。画像は推論用サーバーへ送信せず、ブラウザ内で処理します。
- 上のZIPをダウンロードします。WindowsではZIPを右クリックして「すべて展開」を選びます。
- 展開したフォルダーを開き、
index.htmlとapp.js、person.jpg、cat.jpg、README.txtが並んでいることを確認します。さらに同じ名前のフォルダーがある場合は、その中へ進みます。 - エクスプローラーのアドレス欄へ
powershellと入力してEnterを押します。このフォルダーを作業場所にした端末が開きます。 - 次のコマンドでNode.jsとnpmがあるか確認します。
node --version
npm.cmd --versionバージョンの数字が出れば準備できます。「認識されません」と出る場合はNode.js公式のダウンロードページからLTS版を導入し、端末を開き直します。Node.jsはこの例ではAIを実行するためではなく、HTTPサーバーを起動するために使います。
npx.cmd --yes http-server . -p 8080初回はHTTPサーバーのツールを取得することがあります。端末にアドレスが表示され、そのまま入力を待つ状態になればサーバーが動いています。ブラウザでhttp://localhost:8080を開きます。画像の選択画面が出たら成功です。端末は実行中のまま残します。
Mac・Linuxはnpm --version、npx --yes http-server . -p 8080に読み替えます。Windowsの.cmdは、PowerShellのスクリプト実行制限に当たりにくい呼び出し方です。HTMLをダブルクリックしてfile://で開くとモジュールの読み込みが制限されることがあるため、HTTPで開きます。
8080が使用中ならコマンドのポートを8081へ変え、開くURLもhttp://localhost:8081に変えます。終了するときは端末でCtrl+Cを押します。コードを修正したら保存し、ブラウザを再読み込みしてから実行します。古い結果が残る場合は、開発者ツールのNetworkでキャッシュを無効にして再読み込みします。
4. AIの出力を自分のJavaScriptへつなぐ
classify(inputCanvas)の結果は、classifications配列に入ります。ここでは最初の出力ヘッドを選び、classifications[0].categoriesを読みます。「ヘッド」は、モデルが結果をまとめて返す出力の単位です。このモデルを試す最初の段階では、最初のまとまりに候補が並ぶと理解すれば進められます。
各候補にはindex、categoryName、displayName、scoreがあります。indexはラベルの番号、categoryNameはカテゴリの識別名です。displayNameは表示用の名前で、モデルにその情報がなければ空の場合があります。そこでサンプルは「displayNameがあれば使い、なければcategoryName」を表示します。日本語の画面にしただけで、モデルの英語ラベルが自動翻訳されるわけではありません。
上位1件だけを大きく表示すると、判定が確定したように見えます。この記事では上位5件を残し、候補同士がどれほど近いか見ます。似た猫カテゴリが並ぶことも、猫以外が候補に混じることもあります。スコアをパーセントへ換算しても、その数字を「この猫種である確率」として保証できません。モデルと入力の組み合わせが出した順位付けとして扱います。
maxResults: 5は返す候補数の上限です。閾値を追加すると5件未満になることもあります。フィルターで候補を隠すことと、モデルを再学習することは別です。未知のカテゴリが欲しいときに、既存ラベルの名称だけを置き換えるのは不適切です。「似ている既存カテゴリの候補」と説明するか、目的に合うモデルを別途用意します。
次は処理の中心だけを抜き出した例です。inputCanvasやタスクの変数は、すでに初期化済みとします。この数行だけをHTMLへ貼ると動くという意味ではありません。実際に動かすコードは次の完全版を使い、中心となるAPIをこの短い例で確認します。
const result = classifier.classify(inputCanvas);
const categories = result.classifications[0]?.categories ?? [];
for (const item of categories) {
const name = item.displayName || item.categoryName;
console.log(name, item.score, item.index);
}5. 完全なコードを確認する
index.htmlは操作画面とCanvasを用意し、app.jsは画像選択・モデル初期化・推論・描画を担当します。画像を読み込むawait image.decode()の後にCanvasへ描き、読み込み前の画像を推論へ渡さないようにしています。GPUの初期化が失敗した場合はCPUで再試行し、両方失敗した場合は理由を画面とConsoleへ表示します。
index.htmlの全文を開く
<!doctype html><html lang="ja"><head><meta charset="utf-8"><meta name="viewport" content="width=device-width, initial-scale=1"><meta name="robots" content="noindex,follow"><title>ImageClassifierで猫の画像を分類する | MediaPipe実行サンプル</title><style>
:root { color-scheme: light; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Segoe UI", sans-serif; color: #253235; background: #f3f7f6; line-height: 1.8; }
* { box-sizing: border-box; }
body { margin: 0; }
main { width: min(100% - 32px, 1080px); margin: 32px auto 56px; }
h1 { font-size: clamp(1.45rem, 4vw, 2.2rem); line-height: 1.5; margin: 8px 0 16px; }
h2 { font-size: 1.15rem; margin: 0 0 12px; }
p { margin: 8px 0; }
a { color: #006453; text-underline-offset: 3px; }
.eyebrow { color: #006453; font-size: .85rem; font-weight: 700; letter-spacing: .07em; }
.intro { max-width: 780px; }
.panel { margin-top: 24px; padding: 24px; border: 1px solid #d2e1dc; border-radius: 16px; background: white; }
fieldset { border: 0; padding: 0; margin: 0 0 18px; }
legend { padding: 0; margin-bottom: 8px; font-weight: 700; }
.choices { display: flex; flex-wrap: wrap; gap: 12px; }
.choice { display: flex; align-items: center; gap: 8px; border: 1px solid #bdcec7; border-radius: 8px; padding: 10px 16px; cursor: pointer; }
.choice:has(input:checked) { background: #e8f7ee; border-color: #00715b; }
input[type="radio"] { width: 18px; height: 18px; accent-color: #00715b; }
input[type="file"] { display: block; max-width: 100%; margin-top: 8px; font: inherit; font-size: .9rem; }
label[for="image-file"] { font-weight: 700; }
button { font: inherit; padding: 12px 22px; border-radius: 9px; border: 0; background: #006b55; color: white; font-weight: 700; cursor: pointer; min-height: 48px; }
button:disabled { opacity: .5; cursor: wait; }
:focus-visible { outline: 3px solid #e3aa28; outline-offset: 3px; }
.actions { margin-top: 20px; }
.note { font-size: .88rem; color: #566561; }
#status { min-height: 1.8em; margin-top: 16px; font-weight: 600; overflow-wrap: anywhere; }
#status[data-error="true"] { color: #a42b24; }
.images { display: grid; grid-template-columns: repeat(2, minmax(0, 1fr)); gap: 20px; }
figure { margin: 0; min-width: 0; }
figcaption { font-weight: 700; margin-bottom: 8px; }
.canvas-wrap { display: grid; place-items: center; min-height: 180px; overflow: hidden; border: 1px solid #d2e1dc; border-radius: 10px; background: #f0f3f1; }
canvas { display: block; width: 100%; height: auto; }
dl { display: flex; flex-wrap: wrap; gap: 12px 36px; margin: 20px 0 0; }
dl > div { min-width: 130px; }
dt { font-size: .85rem; color: #566561; }
dd { margin: 0; font-weight: 700; }
pre { margin: 0; padding: 18px; background: #f0f4f2; border: 1px solid #d2e1dc; border-radius: 8px; max-height: 420px; overflow: auto; font-size: .85rem; line-height: 1.7; }
details summary { cursor: pointer; font-weight: 700; padding: 4px 0; }
details pre { margin-top: 12px; }
footer { font-size: .85rem; color: #566561; margin-top: 24px; }
@media (max-width: 640px) { main { margin-top: 20px; } .panel { padding: 18px; } .images { grid-template-columns: 1fr; } button { width: 100%; } dl { gap: 12px 24px; } }
#summary{white-space:pre-line;overflow-wrap:anywhere}select{font:inherit;max-width:100%;padding:8px;margin:10px}input[type="range"]{display:block;width:100%;max-width:400px}#input-canvas{touch-action:manipulation}</style></head><body><main><header><p class="eyebrow">MEDIAPIPE · JAVASCRIPT · IMAGE</p><h1>ImageClassifierで猫の画像を分類する</h1><p>画像全体を見て、学習済みカテゴリから候補を返します。愛猫の写真とAI人物画像を比べ、上位候補とスコアの読み方を学びます。</p><p class="note">人物はプロジェクト内のAI生成画像、猫は運営者の愛猫です。画像はブラウザ内で処理し、推論用サーバーへ送信しません。初回は外部CDNとGoogleからSDK・モデルを取得します。</p></header><section class="panel"><h2>1. 画像を選んで実行する</h2><fieldset><legend>サンプル画像</legend><div class="choices"><label class="choice"><input type="radio" name="sample" value="person" >AI作成の人物</label><label class="choice"><input type="radio" name="sample" value="cat" checked>愛猫の写真</label></div></fieldset><label for="image-file">自分の画像でも試す（任意）</label><input id="image-file" type="file" accept="image/jpeg,image/png,image/webp"><p class="note">JPEG・PNG・WebP、20 MBまで。長辺960 pxへ縮小します。</p><div class="actions"><button id="run-button" disabled>AIを読み込んで実行する</button></div><p id="status" role="status" aria-live="polite" aria-atomic="true">画像を読み込んでいます。</p><noscript>JavaScriptを有効にしてください。</noscript></section><section class="panel"><h2>2. 実行結果を確認する</h2><div class="images"><figure><figcaption>入力画像</figcaption><div class="canvas-wrap"><canvas id="input-canvas" width="480" height="320" role="img" aria-label="入力画像"></canvas></div></figure><figure><figcaption>上位5件の分類候補</figcaption><div class="canvas-wrap"><canvas id="result-canvas" width="480" height="320" role="img" aria-label="未実行"></canvas></div></figure></div><dl><div><dt>候補数</dt><dd id="count">未実行</dd></div><div><dt>入力 → 推論サイズ</dt><dd id="dimensions">準備中</dd></div><div><dt>推論・結果処理の時間</dt><dd id="elapsed">未実行</dd></div><div><dt>実行先</dt><dd id="delegate">未初期化</dd></div></dl><p class="note">時間はモデル初期化を除き、推論と結果の加工・描画を含みます。端末によって変わり、性能保証ではありません。</p><p id="summary">まだ実行していません。</p></section><section class="panel"><h2>3. 出力JSONを読む</h2><details open><summary>結果のデータ（小数は表示用に丸めています）</summary><pre id="json-output">まだ実行していません。</pre></details></section><footer><p>SDK：@mediapipe/tasks-vision 0.10.34 ／ モデル：EfficientNet-Lite0 float32</p><p><a href="./README.txt">起動方法・画像出典</a></p></footer></main><script type="module" src="./app.js"></script></body></html>app.jsの全文を開く
// SDK・WASMは同じ固定版にそろえます。モデル版は別に管理します。
const CONFIG = {
"slug": "mediapipe-image-classification",
"title": "ImageClassifierで猫の画像を分類する",
"task": "ImageClassifier",
"version": "0.10.34",
"model": "https://storage.googleapis.com/mediapipe-models/image_classifier/efficientnet_lite0/float32/1/efficientnet_lite0.tflite",
"modelName": "EfficientNet-Lite0 float32",
"type": "classification",
"method": "classify",
"options": {
"runningMode": "IMAGE",
"maxResults": 5
},
"default": "cat",
"result": "上位5件の分類候補",
"intro": "画像全体を見て、学習済みカテゴリから候補を返します。愛猫の写真とAI人物画像を比べ、上位候補とスコアの読み方を学びます。"
};
const $ = selector => document.querySelector(selector);
const input = $('#input-canvas');
const output = $('#result-canvas');
const ctx = output.getContext('2d');
const inputCtx = input.getContext('2d');
const runButton = $('#run-button');
let task = null,
sdk = null,
delegate = '',
imageReady = false,
busy = false,
selection = 0;
const status = (message, error = false) => {
$('#status').textContent = message;
$('#status').dataset.error = String(error);
};
function controls() {
runButton.disabled = busy || !imageReady;
for (const element of document.querySelectorAll('input, select')) element.disabled = busy;
runButton.textContent = busy ? '処理しています…' : 'AIを読み込んで実行する';
}
async function loadImage(source, name) {
const request = ++selection;
imageReady = false;
controls();
$('#count').textContent = '未実行';
$('#elapsed').textContent = '未実行';
$('#summary').textContent = 'まだ実行していません。';
$('#json-output').textContent = 'まだ実行していません。';
const url = source instanceof File ? URL.createObjectURL(source) : null;
try {
const image = new Image();
image.src = url ?? source;
await image.decode();
if (request !== selection) return;
const scale = Math.min(1, 960 / Math.max(image.naturalWidth, image.naturalHeight));
input.width = output.width = Math.max(1, Math.round(image.naturalWidth * scale));
input.height = output.height = Math.max(1, Math.round(image.naturalHeight * scale));
inputCtx.drawImage(image, 0, 0, input.width, input.height);
ctx.drawImage(input, 0, 0);
$('#dimensions').textContent = image.naturalWidth + ' × ' + image.naturalHeight + ' → ' + input.width + ' × ' + input.height + ' px';
input.setAttribute('aria-label', name + 'の入力画像');
imageReady = true;
status(name + 'を選びました。実行ボタンを押してください。');
} catch (error) {
console.error(error);
status('画像を読み込めませんでした。JPEG・PNG・WebPを選び直してください。', true);
} finally {
if (url) URL.revokeObjectURL(url);
if (request === selection) controls();
}
}
async function initialize() {
if (task) return task;
status('初回の準備中：SDK・WASM・モデルをインターネットから取得しています。');
const base = 'https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision@' + CONFIG.version;
sdk = await import(base + '/vision_bundle.mjs');
const vision = await sdk.FilesetResolver.forVisionTasks(base + '/wasm');
const create = hardware => sdk[CONFIG.task].createFromOptions(vision, {
...CONFIG.options,
baseOptions: {
modelAssetPath: CONFIG.model,
delegate: hardware
}
});
try {
task = await create('GPU');
delegate = 'GPU';
} catch (error) {
console.warn('GPUの初期化失敗。CPUで再試行します。', error);
status('GPUを初期化できませんでした。CPUで再試行しています。');
task = await create('CPU');
delegate = 'CPU';
}
$('#delegate').textContent = delegate;
return task;
}
function caption(text) {
const size = Math.max(14, Math.round(output.width / 36));
ctx.font = 'bold ' + size + 'px system-ui';
ctx.fillStyle = '#063b35';
const lines = text.split('\n');
ctx.fillRect(0, output.height - lines.length * (size + 12), output.width, lines.length * (size + 12));
ctx.fillStyle = '#fff';
lines.forEach((line, i) => ctx.fillText(line, 10, output.height - (lines.length - i - 1) * (size + 12) - 8));
}
async function processImage() {
const engine = await initialize();
ctx.drawImage(input, 0, 0);
let result, count, summary;
const started = performance.now();
result = engine[CONFIG.method](input);
const categories = result.classifications[0]?.categories ?? [];
count = categories.length;
summary = categories.map((c, i) => i + 1 + '. ' + (c.displayName || c.categoryName) + '：' + c.score.toFixed(4)).join('\n');
caption(categories.slice(0, 3).map(c => (c.displayName || c.categoryName) + ': ' + c.score.toFixed(3)).join('\n'));
$('#elapsed').textContent = (performance.now() - started).toFixed(1) + ' ms';
$('#count').textContent = String(count);
$('#summary').textContent = summary;
$('#json-output').textContent = JSON.stringify(result, (_key, value) => ArrayBuffer.isView(value) ? Array.from(value) : typeof value === 'number' ? Number(value.toFixed(5)) : value, 2);
output.setAttribute('aria-label', CONFIG.result + '。' + summary);
status('実行が完了しました。画像・数値・JSONを確認してください。');
}
runButton.addEventListener('click', async () => {
if (busy || !imageReady) return;
busy = true;
controls();
try {
await new Promise(resolve => requestAnimationFrame(() => requestAnimationFrame(resolve)));
await processImage();
} catch (error) {
console.error(error);
status('実行に失敗しました：' + error.message + '。通信とConsoleを確認し、SDK・WASM・モデルの取得状況を調べてください。', true);
} finally {
busy = false;
controls();
}
});
for (const radio of document.querySelectorAll('input[name="sample"]')) radio.addEventListener('change', () => {
$('#image-file').value = '';
void loadImage('./' + radio.value + '.jpg', radio.value === 'cat' ? '愛猫の写真' : 'AI作成の人物');
});
$('#image-file').addEventListener('change', () => {
const file = $('#image-file').files[0];
if (!file) return;
if (file.size > 20 * 1024 * 1024 || !['image/jpeg', 'image/png', 'image/webp'].includes(file.type)) {
status('JPEG・PNG・WebP、20 MB以下を選んでください。', true);
return;
}
for (const radio of document.querySelectorAll('input[name="sample"]')) radio.checked = false;
void loadImage(file, file.name);
});
addEventListener('pagehide', () => {
task?.close();
task = null;
});
void loadImage('./' + CONFIG.default + '.jpg', CONFIG.default === 'cat' ? '愛猫の写真' : 'AI作成の人物');
最初は全文を暗記せず、CONFIGでモデルと設定を確認し、initialize()でタスクを作り、processImage()で結果を読む順番で追います。UIの状態管理は、AIの推論と別の役割です。実行中に画像が変わらないようにする処理も、公開するアプリには必要になります。
6. 1つずつ条件を変えて理解する
- 愛猫の写真を実行し、上位5件の名前とスコアをJSONで確認します。見た目で分かる猫の特徴と一致するか考えます。
- AI人物画像へ切り替え、画像全体の場面がどう分類されるか比べます。人物以外のものが上位に出ても、直ちに処理エラーとはいえません。
maxResults: 5を10へ変え、下位候補が何か確認します。- 同じ猫写真を任意の画像編集で切り抜いて読み込み、背景と構図の違いが候補へ与える影響を調べます。比較時は元画像も残します。
実験メモは「最上位が何だったか」だけでなく、入力をどう加工したか、モデル名、閾値、SDK版を一緒に書きます。後で自分の写真整理に応用するときに、候補を読者や利用者へどう見せるべきか判断できる材料になります。
7. このサイトのツールへどうつながるか
この画像分類は学習用の独立デモです。サイトの顔モザイクや背景透過が内部でImageClassifierを使っているという意味ではありません。画像加工ツールの前段で「候補カテゴリを見せる」応用は考えられますが、加工の成否をこの分類スコアだけで決めないようにします。
例えば猫写真の整理を作るなら、分類候補を自動確定するより、ユーザーが候補を確認してタグを付ける流れが分かりやすくなります。猫の個体ごとの名前を付けるためには別の仕組みが必要です。一般分類、位置の検出、個体識別を分けて考えると、必要なタスクを選びやすくなります。
出力を使う前に確認する限界
画像の分類は個体識別や病気の判断ではありません。候補に欲しい名前が出ない場合は、そのカテゴリをモデルが持つかを先に確認します。候補一覧を人が確認できる設計にすると、誤分類を見つけやすくなります。
8. 動かない・結果が違うときの調べ方
| 状態 | 先に確認すること |
|---|---|
| 候補一覧が空 | classifications[0].categoriesとmaxResults、追加したフィルターを確認します。まず配布モデルと初期設定で試します。 |
| 人物写真が別の物の名前になる | モデルのカテゴリと画像全体の構図を確認します。写真の中の人の位置を探すタスクではありません。 |
| 分類したのに枠が出ない | ImageClassifierは画像全体のカテゴリを返し、物体の位置は返しません。位置が必要ならObjectDetectorを選びます。 |
| 同じ写真の候補が変わる | 切り抜き、入力サイズ、SDK、モデルの条件を揃えます。設定を一度に複数変更しないようにします。 |
| 画面・入力画像を開けない | HTTPサーバーのフォルダーとURLを確認し、Networkで同梱画像が404になっていないか見ます。 |
| SDK・モデルを読み込めない | SDK・WASM・モデルの固定URLをNetworkで確認します。GPU初期化失敗時はCPUで再試行し、両方失敗した場合はConsoleを読みます。 |
ChromeやEdgeではF12で開発者ツールを開けます。Consoleに出た最初のエラーと、Networkの失敗したURLを確認します。モデルの読み込み失敗なのにスコアの閾値を変更しても直りません。画像読み込み、モデル初期化、推論、描画の順に分けて調べます。
サンプルでは実行中のボタンと画像変更を無効にし、同時に処理が走らないようにしています。画像ファイルのObject URLは読み込み後に解放し、ページから離れるときはタスクのclose()を呼びます。スマホの画面幅では結果を縦に並べます。PCの表示幅を狭める確認は実機検証の代わりにはならないので、端末・OS・ブラウザを変える際は別途試します。
9. サイトの採用版と最新のMediaPipe事情
現在の猫の手ツールのTasks Visionは0.10.34です。SDKは推論のAPIと実行環境、モデルは学習済みのデータなので、バージョンを別々に管理します。この記事のモデルは固定版1で、コードに/latest/は使っていません。公式の例にlatestがあっても、教材を再現する場合は確認したURLを固定します。
このサンプルは、サイトの採用版に合わせて0.10.34を固定しています。2026年10月12日に確認した最新安定版は1.1.0です。最新版を試す場合も、SDKとWASMを同じ版にし、サンプルを再実行して結果と互換性を確認します。
SDKのファイルとWASMだけを別の版にすると、APIが読み込めても実行時に問題が出る場合があります。また、旧MediaPipe SolutionsとTasksでは使うパッケージ・クラス・設定が異なります。検索で見つけたコードをコピーする前に、記事がどの版のどのタスクを扱うか確認します。
参考資料
確認日：2026年10月12日。本文は公式API・プロジェクトの実装と、本教材のデモに基づいて説明しています。モデルの推定結果を人の判断の代わりに確定した情報として扱わず、画像とJSONを見比べて検証します。