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技術が幅広い業界で活用され始めています。例えば、酪農家はAIと画像分析を使用して、牛の病気を検出しています。跛行などの健康上の懸念は、背中が弓なりになる、動きが左右非対称になるといった、動物の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と画像分析を使用した牛の監視の例です。

コンピュータービジョンは人工知能の一分野であり、機械が視覚データを解釈・分析できるようにすることで、このようなアプリケーションを実現します。具体的には、インスタンスセグメンテーションは、画像内の各オブジェクトをピクセルレベルで識別・セグメント化するコンピュータービジョンのタスクであり、個々の動物を正確に検出・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、オブジェクトの輪郭に沿って点を配置し、画像内のオブジェクト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アノテーションとは異なり、オブジェクトの実際の輪郭に沿ってアノテーションするため、より正確なトレーニングデータの作成に役立ち、ビジョンAIモデルがオブジェクト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ごとにサポートが一貫していなかったり、限定的だったりすることが多く、選択肢が分断されているように感じられる場合があります。その結果、1つのワークフロー内で多様なラベリングのニーズを管理することが難しくなります。

Ultralytics Platformは、データセット管理、アノテーション、トレーニング、デプロイ、監視の間のギャップを埋める、私たちの新しいエンドツーエンドのビジョンAIワークスペースです。複数のアノテーションタイプとAI支援ワークフローを1つのシームレスな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簡素化します。

この記事では、ポリゴンアノテーションとは何か、そしてUltralytics Platformを使用して作成する方法を解説します。それでは始めましょう。

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説明する前に、まずポリゴンアノテーションとは何かを改めて確認しましょう。

画像アノテーションとは、AIモデルが視覚データに何が写っているかを理解できるように、視覚データにラベルを追加するプロセスです。通常は、画像内のオブジェクトを識別し、モデルが学習できる方法でマーキングします。

最も一般的な手法の1つは、バウンディングボックスと呼ばれる長方形のボックスをオブジェクトの周囲に描くことです。しかし、バウンディングボックスで得られるのはオブジェクトのおおまかな輪郭だけです。ポリゴンアノテーションは、より正確なアプローチです。

これは、オブジェクトをボックスで囲むのではなく、オブジェクトの輪郭（境界）を点ごとに描く方法です。そのために、アノテーターはオブジェクトのエッジ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。

これらの接続された点によって、オブジェクトの自然な輪郭を反映したポリゴンが形成されます。形状がオブジェクトの境界に沿っているため、このアノテーションでは従来のラベリング手法では見落とされがちな詳細を捉えられます。葉、人間のシルエット、重なり合うオブジェクトなど、不規則な形状や複雑なエッジを持つオブジェクトで特に有効です。

このようなデータの精度により、機械学習モデルはモデルのトレーニング中に、より効果的に学習できます。アノテーションがオブジェクトの実際の境界を正確に捉えていれば、モデルはピクセルレベルでオブジェクトのパターンをより適切に理解できます。これにより、特に高い精度が求められる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用されるのでしょうか。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などの画像セグメンテーションタスクをサポートするビジョン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、画像またはビデオフレーム内で各オブジェクト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よい例です。この場合、モデルはドア、窓、ヘッドライトなどの部品が重なっていたり複雑な形状をしていたりしても、それらを識別して正確に輪郭を描く必要があります。

ここでインスタンスセグメンテーションが役立ちます。モデルが各オブジェクトを検出し、ピクセルレベルで正確な境界をマッピングできるようにします。これは、バウンディングボックスを使用する基本的なオブジェクト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、自動車の損傷部品の区別にも役立ちます。(出典)

バウンディングボックスで得られるのはオブジェクト周囲のおおまかな長方形領域だけであり、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、重なり合うアイテムを分離したりすることが難しくなります。

ポリゴンアノテーションは、このレベルの精度を実現するうえで重要な役割を果たします。データセット画像内の各オブジェクトの正確な形状をトレースすることで、実際のオブジェクト境界を反映した高品質なトレーニングデータを作成できます。これらの詳細なアノテーションにより、Ultralytics YOLO26などのモデルは各コンポーネントの構造をより適切に理解でき、より正確なセグメンテーション結果につながります。

従来の画像アノテーションツールの限界#

次に、従来のアノテーションツールの限界を確認し、Ultralytics Platformのような、より効率的でスケーラブルなソリューションが必要な理由を理解しましょう。

従来のポリゴンアノテーションツールを使用する際に、アノテーターが直面する一般的な課題を以下に示します。

• アノテーションタイプのサポートが限定的: 一部のツールは単一のアノテーション手法に重点を置いているため、ポリゴン、バウンディングボックス、キーポイントなど、異なるタイプを1か所で扱うことが難しくなります。
• 複雑なアノテーションの処理が非効率的: 複雑なオブジェクトを細部まで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: 多くのツールは完全に手作業に依存しており、アノテーションを高速化する組み込みのAIサポートがありません。
• データセット管理の分断: ツールに一元化されたワークスペースが用意されていない場合、データセット、バージョン、アノテーションの管理が難しくなることがあります。

Ultralytics Platformは、あらゆる対象に対応するモデル（SAM）とYOLOモデルの両方を基盤とするAI支援アノテーション機能によって、これらの課題に対応します。SAMを使用すると、クリックなどの単純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、それを正確なポリゴンアノテーションへと調整できます。

同様に、YOLOベースのスマートアノテーションでは、事前トレーニング済みまたはカスタムトレーニング済みのYOLOモデルを使用して画像の推論を実行し、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・調整できます。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をより高速かつ一貫性のあるものにし、容易にスケールできます。

Ultralytics Platformでサポートされるさまざまなアノテーションタイプ#

Ultralytics Platformには統合アノテーションエディターが含まれており、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、別途用意した、時間のかかることが多いデータラベリングツールに頼らず、データセットをより簡単に構築・管理できます。

ポリゴンアノテーションに加えて、Ultralytics Platformは複数のアノテーションタイプをサポートしています。概要は以下のとおりです。

• バウンディングボックス: アノテーターはオブジェクトの周囲に単純な長方形のボックスを描けるため、画像内でオブジェクトにラベルを付けて検出することが容易になります。
• キーポイント: この手法では、ポーズ推定などのタスクのために、身体の関節やランドマークなどの特定の点をマーキングします。
• 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、回転したオブジェクトや角度の付いたオブジェクトをより正確に捉えられます。
• 分類ラベル: より単純なタスクでは、個々のオブジェクトにマーキングする代わりに、画像全体にラベルを割り当てられます。

Ultralytics Platformでポリゴンを使用してオブジェクトにアノテーションを付ける#

ここでは、手動またはAI支援ツールを使用して、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す。

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の概要は以下のとおりです。

• ステップ1 - データセットに移動: アノテーションを付けたい画像を含む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・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。例えば、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用し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、オブジェクト境界に沿って頂点が1つ追加されます。
• ステップ4 – オブジェクトの輪郭をトレース: オブジェクトのエッジに沿ってクリックを続け、形状を定義します。
• ステップ5 – ポリゴンを完成: 「Enter」を押すか最初の点をクリックしてポリゴンを完成させ、クラスラベルを割り当てます。
• ステップ6 – 追加のアノテーションを追加: このプロセスを繰り返し、画像内の他のオブジェクトにさらにポリゴンを作成します。
• 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を使用してポリゴンアノテーションを手動で作成する様子です（出典）。

Ultralytics Platformで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高速化する、Ultralytics PlatformでサポートされるAI支援ラベリング機能を見ていきます。

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つのアプローチを提供しています。1つはあらゆる対象に対応するモデルによって実現される、インタラクティブなクリックベースのアノテーション生成です。もう1つはYOLOモデルによって実現される、モデルの予測をアノテーションとして直接追加する方法です。どちらのアプローチもスマートポリゴンアノテーションに使用できます。

Ultralytics PlatformでSAMを使用してスマートアノテーションを行う#

Ultralytics PlatformのSAM支援アノテーションでは、あらゆる対象に対応するモデル（SAM）を使用し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ことで、手動ラベリングを簡素化します。オブジェクトを点ごとにトレースする代わりに、クリックなどの単純なプロンプトで画像を操作し、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はSAM 2.1やSAM 3など複数のSAMモデルをサポートしており、ニーズに応じて高速なパフォーマンスと高い精度のどちらを優先するかを選択できます。ユーザーの入力に基づき、SAMはピクセルレベル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、プロセスをより高速かつ一貫性のあるものにし、容易にスケールできます。

Ultralytics PlatformでSAMを使用してポリゴンアノテーションを行う手順は以下のとおりです。

• 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フルスクリーンビューアーを起動します。
• 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、Smartモードに切り替えてSAMを有効にします（またはSを押します）。
• ステップ3 – SAMモデルを選択: 速度と精度のニーズに基づき、ツールバーからSAMモデルを選択します。
• ステップ4 – プロンプトを入力: 左クリックでポジティブポイント（含める領域）を追加し、右クリックでネガティブポイント（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」を押すか自動適用を使用して、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: 保存する前に、必要に応じて点を追加したり結果を調整したりして、精度を高めます。

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

Ultralytics PlatformでYOLOを使用してスマートアノテーションを行う#

Ultralytics PlatformのYOLOベースのスマートアノテーションでは、事前トレーニング済みのUltralytics YOLOモデルまたはファインチューニング済みのYOLOモデルを使用し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、ラベリングを高速化します。予測には、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などを含められます。

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・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用する手順の概要は以下のとおりです。

• ステップ1 – 画像を開く: データセットに移動し、画像を選択してフルスクリーン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、Smartモードに切り替えます（またはS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、削除し、最終ラベルを保存します。

図5. YOLOスマートアノテーションを使用する様子です（出典）。

ポリゴンアノテーションの実際のユースケース#

ポリゴンアノテーションは、製造業の品質管理から農業、ヘルスケアまで、さまざまな業界に実際の変化をもたらしています。主要な実用例をいくつか見ていきましょう。

コンピュータービジョンを使用した害虫被害の特定#

農業では、収量の向上と損失の削減のために、作物の健全性を監視することが重要です。作物の葉にある害虫被害領域は、不規則な形状や不明瞭な境界を持つことが多いため、検出が難しい場合があります。

この種の問題には、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るセマンティックセグメンテーションや、オブジェクトの輪郭をより正確に分離する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使用して取り組めます。

Ultralytics Platformを使用すると、ポリゴンアノテーションで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、ビジョンAIアルゴリズムが農業環境における微妙なパターンを見つけやすくなります。

その結果、チームは害虫の発生箇所をモデルが正確に特定できるよう支援する、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用するよりも効果的です。

インスタンスセグメンテーションによる医療画像分析#

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病気の分析結果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手法では細かなエッジを見落としたり、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を使用すると、チームはトレーニングデータ内のこれらの領域をポリゴンアノテーションで正確にトレースでき、モデルによる、より正確で信頼性の高い腫瘍セグメンテーションの生成に役立ちます。

主なポイント#

モデルが画像内のオブジェクトの形状を高精度で理解する必要がある場合、ポリゴンアノテーションが重要になります。特にUltralytics Platformを使用する場合、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が高く、高性能なAIモデルを構築できます。

ビジョンAIをプロジェクトに導入する準備はできていますか。コミュニティに参加して、自動車業界のAIとロボティクスにおけるビジョンAIについて詳しく学びましょう。GitHubリポジトリで詳細を確認してください。今すぐ始めるには、ライセンスオプションをご覧ください。