axiom-vision

コンピュータービジョン

Vision フレームワークを使用するコンピュータービジョンの作業では、必ずこのスキルを使用してください。

クイックリファレンス

症状／タスク	リファレンス
被写体のセグメンテーション、切り抜き	skills/vision-framework.md を参照
手／身体のポーズ検出	skills/vision-framework.md を参照
テキスト認識（OCR）	skills/vision-framework.md を参照
バーコード／QR コードの検出	skills/vision-framework.md を参照
書類のスキャン	skills/vision-framework.md を参照
DataScannerViewController	skills/vision-framework.md を参照
構造化された書類の抽出（iOS 26 以降）	skills/vision-framework.md を参照
手を除外したオブジェクトの分離	skills/vision-framework.md を参照
タップによる任意のオブジェクトのセグメンテーション OS27	skills/vision-ref.md を参照
watchOS での Vision watchOS27	skills/vision-ref.md を参照
Foundation Models 向けの Vision ツール（BarcodeReaderTool、OCRTool） OS27	skills/vision-ref.md を参照
Vision フレームワーク API リファレンス	skills/vision-ref.md を参照
Visual Intelligence の統合（iOS 26 以降、iPadOS27/macOS27）	skills/vision-ref.md を参照
検出された種類（detectedTypes）で分類されるセンシティブコンテンツ（ヌード／流血／暴力）の分類（OS27）	skills/vision-ref.md を参照
ライブラリ内の顔を人物ごとにグループ化／クラスタリング、動画のハイライト／キーフレーム（OS27）	代わりに axiom-media（skills/media-intelligence.md）を使用してください。MediaIntelligence は人物の識別情報をクラスタリングし、Vision は1枚の画像内の顔を検出します
被写体が検出されない	skills/vision-diag.md を参照
手／身体のポーズでランドマークが欠落している	skills/vision-diag.md を参照
観測結果の信頼度が低い	skills/vision-diag.md を参照
処理中に UI がフリーズする	skills/vision-diag.md を参照
座標変換の不具合	skills/vision-diag.md を参照
テキストが認識されない／文字が間違っている	skills/vision-diag.md を参照
バーコードが検出されない	skills/vision-diag.md を参照
DataScanner が空白／項目が表示されない	skills/vision-diag.md を参照
書類の端が検出されない	skills/vision-diag.md を参照

判断ツリー

digraph vision {
    start [label="Computer vision task" shape=ellipse];
    what [label="What do you need?" shape=diamond];

    start -> what;
    what -> "skills/vision-framework.md" [label="implement feature"];
    what -> "skills/vision-ref.md" [label="API reference"];
    what -> "skills/vision-ref.md" [label="Visual Intelligence"];
    what -> "skills/vision-ref.md" [label="tap-to-segment / watchOS / FM tools (27)"];
    what -> "skills/vision-diag.md" [label="something broken"];
}

1. 実装（ポーズ、セグメンテーション、OCR、バーコード、書類、ライブスキャン）を行いますか？ → skills/vision-framework.md
2. Visual Intelligence のシステム統合（カメラ／スクリーンショットの検索、iOS 26 以降、iPadOS27/macOS27）ですか？ → skills/vision-ref.md（Visual Intelligence のセクション）
3. タップによるセグメンテーション、watchOS での Vision、または Foundation Models 向けの Vision ツール（27 サイクル）ですか？ → skills/vision-ref.md
4. API リファレンス／コード例が必要ですか？ → skills/vision-ref.md
5. 問題（検出の失敗、信頼度、座標）をデバッグしていますか？ → skills/vision-diag.md

重要なパターン

実装（skills/vision-framework.md）：

• 適切な Vision API を選択するための判断ツリー
• VisionKit による被写体のセグメンテーション
• 手を除外したオブジェクトの分離（API の組み合わせ）
• 手／身体のポーズ検出（21／19 個のランドマーク）
• テキスト認識（高速モードと高精度モード）
• シンボロジーの選択によるバーコード検出
• 書類のスキャンと構造化された抽出（iOS 26 以降）
• DataScannerViewController によるライブスキャン
• CoreImage による HDR 合成

診断（skills/vision-diag.md）：

• 被写体検出の失敗（フレーム端、照明）
• ランドマーク追跡の問題（信頼度のしきい値）
• パフォーマンスの最適化（フレームスキップ、縮小）
• 座標変換（左下原点と左上原点）
• テキスト認識の失敗（言語、コントラスト）
• バーコード検出の問題（シンボロジー、サイズ、反射）
• DataScanner のトラブルシューティング（利用可能性、データ型）

理屈をつけて回避しない

考え	実際
「Vision フレームワークは単なるリクエスト／ハンドラーパターンです」	Vision には、座標変換、信頼度のしきい値、パフォーマンス上の注意点があります。vision-framework.md で解説しています。
「スキルなしでテキスト認識に対応します」	VNRecognizeTextRequest には、高速モードと高精度モード、言語固有の設定があります。vision-framework.md でパターンを紹介しています。
「被写体のセグメンテーションは簡単です」	インスタンスマスクには、HDR 合成と手を除外するパターンがあります。vision-framework.md で複雑なシナリオを解説しています。
「Visual Intelligence は単なるカメラ API です」	Visual Intelligence はシステムレベルの機能で、IntentValueQuery と SemanticContentDescriptor が必要です。vision-ref.md に統合に関するセクションがあります。
「メインスレッドで処理すればよいです」	Vision は古いデバイスでは UI をブロックします。iPhone 12 のユーザーはアプリがフリーズするのを経験します。バックグラウンドキューを追加するのにかかる時間は 15 分です。

使用例

ユーザー：「画像内の手のポーズを検出するにはどうすればよいですか？」 → skills/vision-framework.md を参照してください

ユーザー：「ユーザーの手を除外して被写体を切り抜く」 → skills/vision-framework.md を参照してください

ユーザー：「画像からテキストを読み取るにはどうすればよいですか？」 → skills/vision-framework.md を参照してください

ユーザー：「カメラで QR コードをスキャンする」 → skills/vision-framework.md を参照してください

ユーザー：「被写体検出が動作しません」 → skills/vision-diag.md を参照してください

ユーザー：「テキスト認識で誤った文字が返されます」 → skills/vision-diag.md を参照してください

ユーザー：「VNDetectHumanBodyPoseRequest の例を見せてください」 → skills/vision-ref.md を参照してください

ユーザー：「アプリを Visual Intelligence に対応させるにはどうすればよいですか？」 → skills/vision-ref.md を参照してください

ユーザー：「写真内のオブジェクトをタップして切り抜けるようにしたい」 → skills/vision-ref.md（反復セグメンテーション）を参照してください

ユーザー：「watchOS アプリで Vision を使えますか？」 → skills/vision-ref.md（watchOS での Vision）を参照してください

ユーザー：「RecognizeDocumentsRequest API リファレンス」 → skills/vision-ref.md を参照してください

ユーザー：「ライブラリ全体の顔を人物ごとにグループ化する」／「デバイス上で顔をクラスタリングして人物にまとめる」 → axiom-media（skills/media-intelligence.md）を使用してください。これは画像ごとの検出ではなく、アセットをまたいだアイデンティティのクラスタリングです。