カスタム画像分類器のトレーニングに最適なプラットフォーム

AI生成による検査シーンのイメージです。タイルには、Fabric Stain Datasetから視覚的にわかりやすいものを選んだ、正しく分類されたテスト写真4枚が表示されています。トレーニング済みのUltralytics YOLO26s-clsモデルは、テスト画像71枚中65枚を正しく分類しました。内訳は、汚れのない画像11枚中7枚、汚れのある画像60枚中58枚です。タイルはテスト写真を正方形にクロップしたものです。スコアはモデルの信頼度を示すもので、精度ではありません。

カスタム画像分類器のトレーニングに最適なプラットフォームは、モデルの実行場所と必要な制御性によって異なります。Amazon Rekognition Custom Labels、Gemini Enterprise Agent PlatformのAutoML（以前のVertex AI AutoML）、LandingLens、Ultralytics Platformなどのノーコードのクラウドプラットフォームでは、ラベル付き画像をアップロードするだけで、コードを書かずにトレーニングできます。Amazon SageMaker AI、Azure Machine Learning AutoML、Hugging Face Transformersなどの開発者向けワークフローでは、モデルやトレーニングジョブをより細かく制御できます。Edge Impulseなどのエッジ向けツールは小型デバイスを対象とし、Teachable Machineはブラウザー上で手軽にプロトタイプを作成できます。

プラットフォームを選ぶ際は、サービスの提供状況も重要です。MicrosoftはAzure Custom Visionを2028年9月25日に廃止する予定で、Hugging Face AutoTrainはメンテナンスが終了しています。Googleは現在、Vertex AI AutoMLをGemini Enterprise Agent PlatformのAutoMLと呼んでいます。このガイドでは、名称を短縮してGoogle Cloud AutoMLと表記します。

このガイドでは、独自のラベル付き画像を使って分類器をトレーニングするツールを比較し、選び方を説明するとともに、導入を決定する前に分類器をテストする方法を紹介します。モデルアーキテクチャの選び方については、画像分類モデルの比較をご覧ください。すでに保有しているモデルをサービングする方法については、コンピュータービジョン推論プラットフォームの比較をご覧ください。Ultralyticsはこの比較を公開しており、掲載プラットフォームの一つも提供しています。

比較するポイント#

画像分類では、製造ライン上の部品に対する「不良」や「OK」のように、画像全体に1つ以上のラベルを割り当てます。分類器をトレーニングするプラットフォームは、機能一覧以上に重要な次の5つの点で異なります。

• ラベル: 単一ラベル（画像ごとに1クラス）か、マルチラベル（画像ごとに複数クラス）かを確認します。どちらにも対応しているプラットフォームばかりではありません。
• 制御性: AutoMLではモデルと設定が自動で選ばれますが、開発者向けプラットフォームではアーキテクチャ、画像サイズ、トレーニング設定を選択できます。
• モデルの実行場所: モデルを自社クラウドからしかサービングできないプラットフォームもあれば、モデルをエクスポートして自社のハードウェアで実行できるプラットフォームもあります。
• コストモデル: トレーニング時間、ホスティング時間、画像ごとの予測料金の積み上がり方はそれぞれ異なります。常時稼働が必要なモデルは、トレーニングよりも高くつく場合があります。
• データの保存場所: 画像が保存・処理される場所です。規制対象データを扱う場合に重要です。

画像分類器のトレーニングプラットフォームの比較#

ここで紹介するのは、マネージドAutoMLサービス、開発者向けワークフロー、ブラウザ上のプロトタイプ作成ツールという、種類の異なるツールです。コストを比較する前に、ラベルへの対応状況とモデルの実行場所を基準に候補を絞り、まず既存の事前学習済みモデルで要件を満たせるか確認してください。

プラットフォームはアルファベット順に掲載しています。各ベンダーのドキュメントは2026年11月9日に確認しました。これは機能の比較であり、実機を使ったベンチマークではありません。画面の小さいデバイスでは、表を横にスクロールするとすべての列を確認できます。

要件ごとの候補例です。グループは互いに重複するため、選択する前にラベルへの対応状況、デプロイ権、ランタイムの互換性を確認してください。

Ultralytics Platformは、画像ごとに1クラスを割り当てる単一ラベル分類器をトレーニングします。マルチラベル分類が必要な場合は、Azure Machine Learning AutoMLまたはGoogle Cloud AutoMLを検討してください。

選び方#

最も妥協できない条件を基準に選び始めてください。

コードを書かずにマネージドAPIを利用したい場合#

すでに利用しているクラウドのAutoMLサービスを選びます。AWSではAmazon Rekognition Custom Labels、Google CloudではGoogle Cloud AutoMLを利用できます。どちらもモデルと設定を管理してくれます。Rekognition Custom Labelsは、モデルが起動している間は画像を分析していないときも1時間ごとに課金されるため、モデルを稼働させておく時間を確認してください。

自社のハードウェアでモデルを実行する必要がある場合#

トレーニング済みモデルをエクスポートできるプラットフォームを選びます。Edge Impulse、Google Cloud AutoML（Edgeモデル）、Teachable Machine、Ultralytics Platformはモデルのエクスポートに対応しています。選ぶ前に、対応ランタイム、プランの制限、ライセンス条件を確認してください。工場のPC、カメラ、GPUでは、エクスポートしたYOLO26分類モデルをONNX、TensorRT、またはOpenVINOで実行できます。マイクロコントローラーには、その種類のデバイス向けに設計されたEdge Impulseが適しています。

モデルを完全に制御したい場合#

アーキテクチャとトレーニング設定を制御するには、独自のトレーニングコードを使ってSageMakerを利用するか、PyTorch、TensorFlow、Keras、Hugging Face Transformers、またはUltralytics YOLOパッケージでワークフローを構築します。各ライブラリが対応するアーキテクチャを確認してください。Azure Machine Learning AutoMLなどのAutoMLツールでは、対応するモデルと設定の範囲内で制御できます。いずれの場合も、より多くのセットアップが必要です。

Azure Custom Visionから移行する場合#

Microsoftは既存顧客への完全なサポートを2028年9月25日まで継続し、カスタム分類にはAzure Machine Learning AutoMLを推奨しています。移行するには、画像とタグの割り当てをエクスポートし、使用していた複数のラベルを維持したうえで、再トレーニングの前に新しいプラットフォームのインポート形式へ変換します。

学習やプロトタイピングを行う場合#

Teachable Machineは無料でブラウザー上でトレーニングできるため、データセット全体を収集する前にクラスを分離できるか試すのに適しています。

導入を決定する前に分類器を確認する方法#

プラットフォームのデモで示される精度は、自分の画像での性能をほとんど示しません。候補に挙げた各プラットフォームで、同じ簡単なテストを実施してください。

1. トレーニング、検証、テストのセットを分けます。 テスト画像には、本番環境でモデルが実際に見るカメラや撮影条件の画像を使います。また、ほぼ同一の画像や同じ撮影シーケンスの画像は、同じセットにまとめてください。
2. ベースラインをトレーニングします。 各プラットフォームのデフォルト設定を使い、同じトレーニング画像でトレーニングして、コンピューティングリソース、トレーニング予算、画像サイズに関する制限を記録します。
3. 検証セットを使って選びます。 クラスごとの適合率、再現率、混同行列に加えて、使用予定のハードウェアでの速度を比較し、この段階で閾値を設定します。
4. 最終候補を未使用のテストセットで一度だけテストします。 単一ラベル分類器ではTop-1精度を、マルチラベル分類器では各ラベルの適合率、再現率、F1を確認します。
5. 総コストを確認します。 想定する利用量でのトレーニング費用と、ホスティング料金または予測料金を確認してください。
6. 移行可能性を確認します。 トレーニング済みモデルをダウンロードできるか、どの形式に対応しているか、どのようなライセンスが適用されるかを確認してください。

すべてのプラットフォームで同じ画像、ラベル、データ分割を使い、それぞれのインポート形式に変換してください。任意の例として、Ultralytics YOLOを使った最終テストを示します。

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # pretrained on ImageNet
model.train(data="path/to/dataset", epochs=50, imgsz=224)  # dataset/train/<class>/, dataset/val/<class>/

metrics = model.val(split="test")  # dataset/test/<class>/, never used in training (needs its own test folder)
print(f"top-1 accuracy: {metrics.top1:.3f}, top-5 accuracy: {metrics.top5:.3f}")

フォルダー構成については分類データセット形式、分類の例についてはClassifyドキュメント、すべてのトレーニングオプションについてはトレーニング設定をご覧ください。train、val、testの各フォルダーを分けてください。testフォルダーがない場合、最終確認では検証用画像が使用されます。

Ultralyticsの活用方法#

Ultralyticsは単一ラベル分類器のトレーニングとエクスポートに対応しています。採用を決める前に、自分のデータで結果を比較してください。

• クラウドまたはローカルでトレーニングします。 Ultralytics Platformでは、ブラウザーからクラウドGPU上でYOLO26分類器をトレーニングできます。オープンソースのultralytics Pythonパッケージを使えば、同じモデルを自分のマシンでトレーニングできます。
• 1つのワークフローでデータの準備とトレーニングを行います。 Platformのデータセット手順に沿ってクラスフォルダー形式のデータセットをインポートし、ラベルとデータ分割を確認してから、Ultralytics Platformでトレーニングします。
• 必要な場所でモデルを実行します。 ONNX、TensorRT、CoreML、LiteRTなどの形式にエクスポートするか、Platformエンドポイントにデプロイします。
• 制限を確認します。 分類器は単一ラベルです。PlatformエンドポイントはCPU上で実行されるため、大量のリクエストをGPUでサービングする場合は、自社のハードウェアまたは別のクラウドを利用する方が適しています。UltralyticsはAGPL-3.0およびEnterpriseライセンスを提供しています。AGPL-3.0の義務を満たせないプロプライエタリなデプロイには、Enterprise Licenseが必要です。