Ultralytics Platformでのポリゴンアノテーションガイド

自動運転から精密農業まで、最先端のAI技術が幅広い業界に広がっています。たとえば酪農家は、AIと画像分析を使って牛の病気を検出しています。跛行などの健康上の問題は、背中が反る、動きが左右非対称になるといった歩き方や姿勢の変化を観察することで監視できます。

図1. AIと画像分析を使った牛のモニタリング例。

人工知能の一分野であるコンピュータービジョンにより、機械は視覚データを解釈して分析できるようになり、こうした用途が実現します。具体的には、インスタンスセグメンテーションは画像内の各物体を識別し、ピクセル単位で領域分割するコンピュータービジョンタスクであり、個々の動物を正確に検出して分析できます。

ポリゴンアノテーションは、このプロセスで重要な役割を果たします。これは、物体の輪郭に沿って点を配置し、画像内の物体の正確な形状を丁寧になぞるデータアノテーション手法です。単純なバウンディングボックスのアノテーションとは異なり、物体の実際の輪郭に沿って指定するため、より正確な学習データを作成し、ビジョンAIモデルが物体の境界をより適切に理解できるようになります。

現在、ポリゴンアノテーションを作成するためのツールは数多くあります。しかし、アノテーションの種類によって対応が不統一または限定的な場合が多く、ツールが分断されていると感じることがあります。その結果、多様なラベリング要件を単一のワークフロー内で管理しにくくなります。

データセット管理、アノテーション、学習、デプロイ、モニタリングの間をつなぐ、エンドツーエンドの新しいビジョンAIワークスペースであるUltralytics Platformは、複数のアノテーション形式とAI支援ワークフローをシームレスな単一のワークスペースでサポートすることで、この課題を解決し、アノテーションプロセス全体を効率化します。

この記事では、ポリゴンアノテーションとは何か、またUltralytics Platformを使ってどのように作成するかを紹介します。さっそく始めましょう。

ポリゴンアノテーションを詳しく見る#

Ultralytics Platformとそのポリゴンアノテーション機能について詳しく説明する前に、いったん立ち止まって、ポリゴンアノテーションとは何かを確認しましょう。

画像アノテーションとは、AIモデルが視覚情報を理解できるよう、画像データにラベルを追加するプロセスです。通常は、画像内の物体を特定し、モデルが学習できる方法で印を付けます。

最も一般的な方法の一つは、物体の周囲に長方形の枠を描くことで、バウンディングボックスと呼ばれます。ただし、バウンディングボックスが示すのは物体のおおまかな輪郭にすぎません。ポリゴンアノテーションは、より高精度な方法です。

ポリゴンアノテーションでは、物体を枠で囲むのではなく、その輪郭を点ごとになぞります。そのため、アノテーターは物体の縁に沿って複数の頂点（点）を配置し、形状全体を覆うまで輪郭をトレースします。

これらの点をつなぐと、物体の自然な輪郭に沿ったポリゴンができます。物体の境界に沿った形状を指定するため、従来のラベリング手法では見落とされがちな詳細もアノテーションに反映できます。葉、人のシルエット、重なり合う物体など、不規則な形状や複雑な輪郭を持つ物体で特に役立ちます。

データの精度が高いと、モデル学習時に機械学習モデルがより効果的に学習できます。アノテーションが物体の実際の境界を正確に捉えていれば、モデルはピクセル単位で物体のパターンをより適切に理解できます。これにより、特に高い精度が必要なセグメンテーションタスクで、モデルの性能が向上します。

コンピュータービジョンのワークフローにおけるポリゴンアノテーションの役割#

では、ポリゴンアノテーションは実際にどのように使われるのでしょうか。ポリゴンアノテーションは、インスタンスセグメンテーションのような画像セグメンテーションタスクに対応するビジョンAIモデルと密接に関係しています。

多くのコンピュータービジョンアプリケーションでは、画像や動画フレーム内で各物体が占める正確な領域を把握することが重要です。製造業における自動車部品の検出がその好例です。この場合、物体が重なっていたり複雑な形状だったりしても、モデルはドア、窓、ヘッドライトなどの部品を特定し、正確に輪郭を捉える必要があります。

ここでインスタンスセグメンテーションが役立ちます。モデルは各物体を検出し、ピクセル単位で正確な境界をマッピングできます。これは、バウンディングボックスを使う基本的な物体検出とは異なります。

図2. インスタンスセグメンテーションは、車の損傷した部品の識別にも役立ちます。（出典）

バウンディングボックスは物体の周囲におおまかな長方形の領域を示すだけで、余分な背景が含まれることも多いため、不規則な形状を捉えたり、重なり合う物品を区別したりするのが難しくなります。

ポリゴンアノテーションは、この精度を実現するうえで重要な役割を果たします。データセット内の各物体の正確な形状をトレースすることで、物体の実際の境界を反映した高品質な学習データを作成できます。こうした詳細なアノテーションにより、Ultralytics YOLO26などのモデルは各部品の構造をより適切に理解でき、セグメンテーションの精度が向上します。

従来の画像アノテーションツールの制約#

次に、Ultralytics Platformのような、より効率的で拡張性の高いソリューションが必要な理由を理解するため、従来のアノテーションツールの制約を見ていきます。

従来のポリゴンアノテーションツールを使う際に、アノテーターが直面する一般的な課題をいくつか紹介します。

• アノテーション形式への対応が限定的: 単一のアノテーション手法に特化したツールもあり、ポリゴン、バウンディングボックス、キーポイントなど、異なる形式を一か所で扱うのが困難です。
• 複雑なアノテーションの処理が非効率: 細部まで複雑な物体を正確にアノテーションしやすくする機能が、ツールに不足している場合があります。
• AI支援機能の不足: 多くのツールは手作業に全面的に依存しており、アノテーションを高速化する組み込みのAI支援機能がありません。
• データセット管理の分断: 一元化されたワークスペースを提供するツールがない場合、データセット、バージョン、アノテーションの管理が困難になることがあります。

Ultralytics Platformは、Segment Anythingモデル（SAM）とYOLOモデルの両方を活用したAI支援アノテーション機能で、こうした課題に対応します。SAMでは、クリックなどの簡単な入力から高品質なセグメンテーションマスクを生成でき、その後、正確なポリゴンアノテーションに調整できます。

同様に、YOLOベースのスマートアノテーションでは、事前学習済みまたはカスタム学習済みのYOLOモデルを使って画像を推論し、バウンディングボックス、セグメンテーションマスク、回転バウンディングボックスなどの予測結果をアノテーションとして追加できます。追加したアノテーションは、必要に応じて確認や調整が可能です。これらの機能を組み合わせることで、アノテーションプロセスが高速化し、一貫性が高まり、拡張しやすくなります。

Ultralytics Platformが対応するさまざまなアノテーション形式#

Ultralytics Platformには統合アノテーションエディターがあり、ユーザーはワークスペース内で画像に直接アノテーションを付けられます。これにより、別個の、時間がかかりがちなデータラベリングツールに頼らず、データセットを構築、管理しやすくなります。

ポリゴンアノテーションに加え、Ultralytics Platformはほかにも複数のアノテーション形式に対応しています。概要を簡単に紹介します。

• バウンディングボックス: アノテーターは物体の周囲にシンプルな矩形ボックスを描画できるため、画像内の物体を簡単にラベル付けして検出できます。
• キーポイント: この方法では、姿勢推定などのタスクで、身体の関節やランドマークなどの特定の点をマークします。
• 回転バウンディングボックス（OBBs）: 標準的なバウンディングボックスと比べて、回転した物体や斜めになった物体をより正確に捉えられます。
• 分類ラベル: よりシンプルなタスクでは、個々の物体をマークする代わりに、画像全体にラベルを付けることができます。

Ultralytics Platformでポリゴンを使って物体をアノテーションする#

それでは、手動またはAI支援ツールを使って、Ultralytics Platformでポリゴンアノテーションを作成する方法を見ていきましょう。

Ultralytics Platformでポリゴンアノテーションを手動で作成する#

ポリゴンアノテーションを手動で作成する手順を簡単に説明します。

• ステップ1 - データセットに移動: アノテーションする画像が含まれるデータセットを開きます。ここで画像とアノテーションを保存および管理します。
• ステップ2 - 画像を開く: 画像をクリックしてアノテーションインターフェースで開きます。アノテーションのワークフローは、データセットのタスクによって異なります。たとえば、インスタンスセグメンテーションデータセットでは、ポリゴンマスクを使ってアノテーションを作成します。
• ステップ3 – マスクの作成を開始: 画像をクリックしてアノテーションを開始します。クリックするたびに、物体の境界に頂点が追加されます。
• ステップ4 – 物体の輪郭をトレース: 物体の縁に沿ってクリックし続け、形状を定義します。
• ステップ5 – ポリゴンを完成: 「Enter」キーを押すか最初の点をクリックすると、ポリゴンが完成し、クラスラベルを割り当てられます。
• ステップ6 – アノテーションを追加: この手順を繰り返して、画像内のほかの物体にポリゴンを追加します。
• ステップ7 – アノテーションを保存: アノテーションは作成時に自動的に保存されます。

図3. Ultralytics Platformを使ったポリゴンアノテーションの手動作成例（出典）

Ultralytics Platformのスマートポリゴンアノテーション#

次に、アノテーションプロセスを効率化する、Ultralytics PlatformのAI支援ラベリング機能を見ていきましょう。

このプラットフォームでは、スマートアノテーションに2つの方法を利用できます。1つはSegment Anything Modelsを活用した、クリック操作でインタラクティブにアノテーションを生成する方法です。もう1つはYOLOモデルを活用して、モデルの予測結果をアノテーションとして直接追加する方法です。どちらの方法も、スマートポリゴンアノテーションに利用できます。

Ultralytics PlatformでSAMを使ったスマートアノテーション#

Ultralytics PlatformのSAM支援アノテーションでは、Segment Anything Model（SAM）を使って、最小限の入力でセグメンテーションマスクを生成するため、手動ラベリングを簡素化できます。物体を一点ずつトレースする代わりに、クリックなどの簡単なプロンプトで、画像に含める領域や除外する領域を指定できます。

このプラットフォームでは、SAM 2.1やSAM 3など複数のSAMモデルがサポートされており、ニーズに応じて処理速度または精度を重視したモデルを選択できます。SAMはユーザー入力に基づいて、ピクセル単位のマスクをリアルタイムで生成します。生成されたマスクは調整してポリゴンアノテーションとして使用できるため、作業を効率化し、一貫性を高め、大規模に展開しやすくなります。

Ultralytics PlatformでSAMを使ってポリゴンアノテーションを行う手順は次のとおりです。

• ステップ1 – 画像を開く: データセットに移動し、画像をクリックして全画面ビューアーを開きます。
• ステップ2 – アノテーションモードに入る: 「Edit」をクリックし、次にSmartモードに切り替えるか、Sキーを押してSAMを有効にします。
• ステップ3 – SAMモデルを選択: 速度と精度のニーズに応じて、ツールバーからSAMモデルを選びます。
• ステップ4 – プロンプトを指定: 左クリックで正の点（含める領域）を追加し、右クリックで負の点（除外する領域）を追加します。
• ステップ5 – マスクを生成して適用: SAMがセグメンテーションマスクをリアルタイムで予測します。「Enter」キーを押すか自動適用を使って、アノテーションを適用します。
• ステップ6 – アノテーションを調整: 必要に応じて点を追加するか結果を調整し、保存前に精度を高めます。

図4. Ultralytics PlatformでのSAM支援ポリゴンアノテーション（出典）

Ultralytics PlatformでYOLOを使ったスマートアノテーション#

Ultralytics PlatformのYOLOベースのスマートアノテーションでは、事前学習済みのUltralytics YOLOモデルまたはファインチューニング済みのYOLOモデルを使って画像の予測を生成し、アノテーションとして追加することで、ラベリングを効率化できます。予測結果には、データセットのタスクに応じて、バウンディングボックス、セグメンテーションマスク、回転バウンディングボックスが含まれます。

ユーザーは必要に応じてこれらのアノテーションを確認し、調整できます。Ultralytics PlatformでYOLOベースのスマートアノテーションを使う手順は次のとおりです。

• ステップ1 – 画像を開く: データセットに移動し、画像を選択して全画面ビューアーで開きます。
• ステップ2 – アノテーションモードに入る: 「Edit」をクリックし、次にSmartモードに切り替えます（またはSキーを押します）。
• ステップ3 – YOLOモデルを選択: ツールバーのモデル選択メニューからYOLOモデルを選びます。
• ステップ4 – 予測を実行: 「Predict」をクリックして、モデルにアノテーションを自動生成させます。
• ステップ5 – アノテーションを確認: 画像に追加された予測結果のバウンディングボックス、セグメンテーションマスク、またはOBBsを確認します。
• ステップ6 – 調整して保存: 必要に応じて、不正確なアノテーションを編集、調整、または削除し、最終的なラベルを保存します。

図5. YOLOスマートアノテーションの使用例（出典）

ポリゴンアノテーションの実世界での活用例#

ポリゴンアノテーションは、製造業の品質管理から農業、医療に至るまで、さまざまな業界に大きな影響を与えています。実世界での主な活用例を見ていきましょう。

コンピュータービジョンによる害虫検出#

農業では、収穫量を増やし損失を減らすために、作物の健康状態を監視することが重要です。作物の葉にある害虫被害の領域は、不規則な形状で境界が不明瞭なことが多いため、検出が困難です。

この種の問題には、セマンティックセグメンテーションやインスタンスセグメンテーションなどの画像セグメンテーション技術を利用できます。セマンティックセグメンテーションは、感染領域など、あるクラスに属するすべてのピクセルにラベルを付けます。インスタンスセグメンテーションは、物体の輪郭をより正確に個別化します。

Ultralytics Platformでは、ポリゴンアノテーションを使って、これらの感染領域の正確な形状をトレースできます。これにより、より正確なデータセットを作成でき、農業環境における微妙なパターンをビジョンAIアルゴリズムで検出しやすくなります。

その結果、チームは害虫被害が発生している場所をモデルが正確に特定できるよう、より優れたトレーニングデータを構築できます。影響を受けていない葉の部分まで含む可能性があるバウンディングボックスを使うよりも効果的です。

インスタンスセグメンテーションを活用した医用画像解析#

農業における害虫検出と同様に、境界のわずかな違いであっても、医用画像におけるがんなどの疾患の解析に影響を与える可能性があります。これは、CTスキャンで腫瘍などの医療上の異常を特定する際に特に重要です。

従来のアノテーション方法では、細かな境界を見落としたり、周囲の組織を含めたりする可能性があり、精度が低下することがあります。Ultralytics Platformでは、チームがポリゴンアノテーションを使ってトレーニングデータ内の領域を正確にトレースできるため、モデルによる腫瘍セグメンテーションの精度と信頼性を高められます。

重要なポイント#

ポリゴンアノテーションは、画像内の物体形状を高精度に理解する必要があるモデルにとって重要です。特にUltralytics Platformを使うことで、複雑な形状をより正確に表現できます。精度と強力なツールを組み合わせることで、チームはより信頼性の高い高性能なAIモデルを構築できます。

ビジョンAIをプロジェクトに取り入れる準備はできていますか？コミュニティに参加して、自動車業界におけるAIとロボティクスにおけるビジョンAIについてご覧ください。詳しくはGitHubリポジトリをご覧ください。今すぐ始めるには、ライセンスオプションをご確認ください。