PoseLandmarkerで身体の33点を描く
写真に写る人の肩・肘・腰などを点と線で表示します。PoseLandmarkerは身体の33点を推定するタスクです。画像に見えない部分も推定されることがあるため、座標とvisibilityを一緒に読みましょう。
この記事でできるようになること
正規化座標をピクセルへ変換し、可視性の低い点を省いて描画できる。画面座標とworldLandmarksを区別できる。
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
身体の姿勢を図として重ねたい場合はPoseLandmarkerを選びます。手の指を細かく描きたい場合はHandLandmarker、顔の輪郭や唇を描きたい場合はFaceLandmarkerです。PoseLandmarkerにも手首などの点はありますが、指の21点や顔の478点と同じ細かさで部位を扱うタスクではありません。
モデルの候補はLite・Full・Heavyです。最初の静止画デモではLiteを使い、同じ写真で動作を確認します。名前だけで画質や正確さを決めず、必要な点が安定するか、読み込み時間と推論負荷が端末で許容できるかを見ます。スマホで使う予定なら、PCで一度動いた後に実機で確認します。
このデモの入力は、サイト内にあるAI生成人物の集合写真です。人物の下半身が隠れていて、全身がきれいに写る理想的な入力ではありません。それでも戻った座標を可視化すると、推定がどこまで進んだか分かります。写っていない部分の点が返ったことを、実際の体の位置を計測できた証拠にはしません。
| 欲しいもの | 対応する出力・タスク |
|---|---|
| 身体の点を画面に重ねたい | PoseLandmarkerのlandmarks |
| 手指を線画にしたい | HandLandmarkerの21点 |
| 身体を背景から分けたい | セグメンテーションマスク |
| 顔・手・身体をまとめたい | HolisticLandmarkerを検討 |
本サンプルはマスクの出力を無効にし、座標だけを読めるようにしています。必要な出力から小さく始めると、どこがAIの出力で、どこが自分の描画処理かを理解しやすくなります。モデルの比較は公式の姿勢推定ガイドで確認できます。
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
6人が写るAI生成の集合画像から、2人分の姿勢候補が返りました。条件はPCのChrome、SDK 0.10.34、Pose Landmarker Lite float16版1、numPoses: 3です。この設定の上限は3人であり、最初から6人全員を返す条件ではありません。また、写真には下半身が隠れた人物がいます。戻った点のうちvisibilityが0.5未満の点は描かず、JSONには残しています。2人という結果を精度の割合へ換算せず、入力条件・設定・出力を対応させて読みます。
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
detect(inputCanvas)の結果に、landmarksとworldLandmarksが入ります。前者は画像上へ描くための正規化座標、後者は身体を基準に推定した3D空間の座標です。worldLandmarksの数値を、そのままCanvasのピクセルへ掛けると表示位置が合いません。まずlandmarksのx・yで2D描画を完成させます。
画面座標を描く式は、x * canvas.widthとy * canvas.heightです。画像の縦横を同じ倍率で縮小しているので、この変換で位置を合わせられます。点同士はSDKのPOSE_CONNECTIONSの組み合わせで結びます。配列の番号順に結ぶと、不要な斜め線が増えます。
visibilityは、点が画像内で見えている程度の指標です。サンプルでは0.5未満の点を描かず、接続する両方の点が条件を満たすときだけ線を描きます。この表示ルールはアプリ側で決めた条件で、MediaPipeが点を削除したわけではありません。JSONには元の点が残るため、描いていない点の値も確認できます。
推定対象が複数ならlandmarksは人物ごとの配列です。numPoses: 3は最大候補数で、集合写真から必ず3人を返す指示ではありません。人物の順番を、永続的なIDとして使うこともできません。動画で同じ人物を追い続けるには、単純な配列位置以外の管理も考える必要があります。
角度を計算する場合は、どの座標系を使うか決めてから行います。2D写真の膝の角度と、推定3D空間での角度は同じ意味ではありません。カメラの向きや隠れ方で変わるため、この導入例は線を重ねるところまでにしています。トレーニングや姿勢評価へ進める前に、計算値の意味と誤差を別途検証します。
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 = landmarker.detect(inputCanvas);
for (const points of result.landmarks) {
for (const point of points) {
if (point.visibility < 0.5) continue;
const x = point.x * inputCanvas.width;
const y = point.y * inputCanvas.height;
context.beginPath();
context.arc(x, y, 3, 0, Math.PI * 2);
context.fill();
}
}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>PoseLandmarkerで身体の33点を描く | 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>PoseLandmarkerで身体の33点を描く</h1><p>人物の肩・肘・腰などの座標を推定し、画像へ重ねます。写っていない脚の位置も推定される場合があるため、点が返ることと実際に見えることを区別します。</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" checked>AI作成の人物</label><label class="choice"><input type="radio" name="sample" value="cat" >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>身体の点と接続線</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：Pose Landmarker Lite float16</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-pose-landmarks",
"title": "PoseLandmarkerで身体の33点を描く",
"task": "PoseLandmarker",
"version": "0.10.34",
"model": "https://storage.googleapis.com/mediapipe-models/pose_landmarker/pose_landmarker_lite/float16/1/pose_landmarker_lite.task",
"modelName": "Pose Landmarker Lite float16",
"type": "pose",
"method": "detect",
"options": {
"runningMode": "IMAGE",
"numPoses": 3,
"outputSegmentationMasks": false
},
"default": "person",
"result": "身体の点と接続線",
"intro": "人物の肩・肘・腰などの座標を推定し、画像へ重ねます。写っていない脚の位置も推定される場合があるため、点が返ることと実際に見えることを区別します。"
};
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 drawLandmarks(points, connections, color, filterVisibility = false) {
ctx.strokeStyle = color;
ctx.fillStyle = color;
ctx.lineWidth = Math.max(2, output.width / 300);
for (const connection of connections ?? []) {
const a = points[connection.start],
b = points[connection.end];
if (!a || !b || filterVisibility && ((a.visibility ?? 1) < .5 || (b.visibility ?? 1) < .5)) continue;
ctx.beginPath();
ctx.moveTo(a.x * output.width, a.y * output.height);
ctx.lineTo(b.x * output.width, b.y * output.height);
ctx.stroke();
}
for (const p of points) {
if (filterVisibility && (p.visibility ?? 1) < .5) continue;
ctx.beginPath();
ctx.arc(p.x * output.width, p.y * output.height, Math.max(2, output.width / 300), 0, Math.PI * 2);
ctx.fill();
}
}
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);
count = result.landmarks.length;
result.landmarks.forEach(points => drawLandmarks(points, sdk.PoseLandmarker.POSE_CONNECTIONS, '#00ffd1', true));
summary = count + '人分の姿勢候補。visibilityが0.5未満の点と接続線は描画を省いています。';
$('#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
- AI人物の写真で点と線を表示し、肩や腕へ合っているか見ます。
- JSONの最初の人物の点を開き、x・y・z・visibilityの項目を探します。
- 描画側のvisibility条件を0.5から0.2へ変更し、隠れた部分の点がどう表示されるか比べます。検出器の閾値とは別の変更です。
- 猫写真も実行し、人の姿勢モデルであることを確認します。候補が返っても猫の骨格の正解として扱いません。
理想的な成功例だけでは、アプリに組み込んだときの判断が難しくなります。全身が写る写真、体が一部隠れる写真、人物が小さい写真を同じモデルで比較し、表示を控える条件も記録すると実用化の資料になります。
7. このサイトのツールへどうつながるか
猫の手ツールの手のポーズ線画は、名前に「ポーズ」があってもHandLandmarkerで手指を扱うツールです。この身体のPoseLandmarkerとは異なります。本記事のデモは身体の点を学ぶための新しいサンプルとして用意しました。
線画を作る流れは共通なので、身体の点をイラストの構図ガイドとして表示する応用が考えられます。そのときも見えない点を確定した輪郭として描かず、visibilityを使う、元画像を重ねて確認できる、ユーザーが修正できる、といった仕組みが役立ちます。
出力を使う前に確認する限界
身体の座標は推定値で、医療的な評価や実寸の計測を保証しません。画面外の点が出る場合は、むやみに画面内へ丸めず、表示する範囲を判断します。写真の条件と可視性を確認してから結果を使います。
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 |
|---|---|
| 一部の点が画面に出ない | JSONに点があればvisibilityの描画条件を確認します。サンプルは0.5未満の点と、その接続線を描きません。 |
| 脚の点が画面外にある | 見えていない部位も推定され得ます。値を画面内へ丸める前に可視性と入力の写り方を確認します。 |
| 身体の位置がずれる | 画面描画にはlandmarksの正規化x・yを使います。worldLandmarksを画像のピクセルへ掛けていないか確認します。 |
| 3人の写真で3件出ない | numPosesは最大候補数です。人物のサイズと重なりを確認し、実際の人数と候補数を区別します。 |
| 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。