本書は、キーポイント検出・姿勢制御・画像セグメンテーション・キャプショニングを、Ｔｒａｎｓｆｏｒｍｅｒを軸に横断して学べる実装書です。単なるＡＰＩ呼び出しではなく、いちから（フルスクラッチで）コードを組み立てることを基本に、データ前処理、Ｄａｔａｓｅｔ／Ｃｏｌｌａｔｅ、学習ループ、損失と評価指標、学習率スケジューラまで、内部の仕組みが見える最小実装から丁寧に積み上げていきます。併せて実務での活用を重視し、一部は事前学習済みモデルを用いたファインチューニング（ｔｉｍｍのＶｉＴやＨｕｇｇｉｎｇ　Ｆａｃｅ　Ｈｕｂの重み、凍結・段階的解凍など）も扱います。これにより、「仕組みの理解」と「現場での応用力」を目指します。
もくじ情報：１章　開発環境について；２章　キーポイント検出（Ｋｅｒａｓ）；３章　キーポイント検出（ＰｙＴｏｒｃｈ）；４章　ＶｉＴＰｏｓｅスタイルモデルによるキーポイント検出；５章　ＶｉＴＰｏｓｅスタイルモデルによる姿勢推定；６章　セマンティックセグメンテーション（Ｓｅｍａｎｔｉｃ　Ｓｅｇｍｅｎｔａｔｉｏｎ）；７章　インスタンスセグメンテーション（Ｉｎｓｔａｎｃｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ）；８章　パノプティックセグメンテーション（ファインチューニング版）；９章　画像キャプショニング