コンピュータービジョンベンダーの選び方：エンタープライズ調達ガイド

モデルは簡単な部分です。エンタープライズ向けコンピュータービジョンでは、モデルの背後にあるラベル付きデータと、エッジにあるカメラで推論を実行することが重要であり、多くのプロジェクトがひそかに停滞するのは後者です。このカテゴリのバイヤーガイドでは、以前のRFPで過度に重視されていた事前学習済み機能の幅広さの比較よりも、自社画像での精度とエッジデプロイの実現性が重視されるようになっています。汎用機能はマネージドAPIでまかなえますが、プロジェクトは依然として、難易度が高く、用途に特化し、レイテンシに制約のあるケースで失敗するためです。

このガイドでは、アーキテクチャを決める2つの選択肢、つまり事前学習済みAPIかカスタムモデルか、およびクラウドかエッジかに照らして、8社のベンダーを比較します。商用条件の比較は、これらの要件を確定してから行ってください。そうしなければ、見積もりの対象が異なるシステムになってしまいます。

重要な2つの選択肢#

ベンダーを比較する前に、プログラムがこの2つの軸のどこに位置するのかを確認してください。このカテゴリで調達を誤るケースのほとんどは、誤った象限のベンダーを選んでいることが原因です。

事前学習済みAPIかカスタムモデルか。タスクが汎用的なもの（文書からのテキスト読み取り、一般的な物体の検出、コンテンツのモデレーション）であれば、マネージドAPIで今すぐ解決でき、ML担当者も必要ありません。製品、部品、プロセスに特化したタスクの場合、事前学習済みAPIでは本番環境に必要な精度に達しないため、購入するのはトレーニングとデータパイプラインです。

クラウドかエッジか。データセンターとの往復通信を許容できる推論であれば、クラウドベンダーが最も導入しやすい選択肢です。許容できない場合（高速稼働する製造ライン、車両、接続が不安定な拠点、または敷地外への持ち出しが認められないデータ）には、エッジデプロイが必須要件となり、候補リストの大部分が対象外になります。

プラットフォームを購入してデータとライフサイクルの作業を省略すると、本番環境に移行できないパイロットで終わります。主な作業としてラベリングとMLOpsに予算を割り当て、契約前に最も難しい画像で精度を実証してください。

ベンダーはランキングではなく、アルファベット順に掲載しています。Ultralyticsが本ガイドを公開し、掲載企業にも含まれるため、意図的に中立な順序とし、各ベンダーに明記されたトレードオフを記載しています。

AWS：RekognitionとSageMaker AI#

概要。2つのレイヤーで構成されています。マネージドビジョンAPIのAmazon Rekognitionと、カスタムトレーニングおよびデプロイプラットフォームのAmazon SageMaker AIです。

強み。Rekognitionは、コンテンツモデレーション、ラベルとテキストの検出、PPE検出など、画像と動画の完全マネージド分析に加え、ML担当者なしでタスク固有のモデルをトレーニングできるCustom Labelsを提供します。S3、Lambda、Kinesis Videoとの緊密な統合により、AWSネイティブのパイプラインに最も容易に導入できます。要件がAPIの範囲を超えた場合、SageMaker AIは、一般的なフレームワークに対応した分散トレーニング、自動スケーリングエンドポイント、GPUおよびCPUのフリート、デプロイパイプライン、実験トラッキングをサポートします。

Rekognitionは顔の比較と検索も提供します。これは付加機能ではなく、独立した調達項目として扱ってください。生体情報の処理には、それ独自の規制上のリスクと同意義務が伴い、複数の法域では法定損害賠償の対象にもなります。必要がなければ、明示的に対象から除外してください。また、「セキュリティ」と分類されるビジョンのユースケースの大半では、顔認識は必要ありません。

トレードオフ。幅広い機能は確かに魅力ですが、組み立て作業も相応に必要です。Rekognition、SageMaker、ストレージ、オーケストレーションを組み合わせて初めてアーキテクチャとなり、単一の製品ではありません。自社で構築する選択肢と比べると、エッジにはあまり強くありません。

最適な対象。今すぐマネージドビジョンを導入し、将来的にはクラウドを変更せずにカスタムモデルを構築できる選択肢も確保したいAWSネイティブの組織です。

調達メモ。PPE検出は安全監視に実用的であり、妥当性を示しやすい最初の成果を最も速く得られる手段であることがよくあります。

Azure AI Vision#

概要。すぐに使えるAPIからカスタムモデルのトレーニングまでを網羅する、Microsoftのマネージドビジョンスタックです。

強み。Azure AI Visionは、画像分析、OCRとテキスト抽出、物体検出、動画分析のためのすぐに使えるAPIを提供し、基盤インフラを管理せずにデプロイとスケーリングを行えます。独自の分類モデルや検出モデルをトレーニングする必要があるチームには、AutoML機能を含むAzure Machine Learningが現在の選択肢であり、ライフサイクル全体をカバーします。

調達メモ：機能一覧だけでなく、サービスのライフサイクルを確認してください。Microsoftは旧Custom Visionサービスの廃止を進めており、カスタム分類モデルや検出モデルを構築する顧客にAzure Machine Learningを案内しています。現在Custom Visionを基盤に構築するものは、ロードマップに移行が含まれることになります。クラウドビジョンの評価で最もよくある失敗は、機能比較では理想的に見えるサービスがすでに後継サービスに置き換わっている一方で、候補選定の参考にした比較記事が更新されていないケースです。ハイパースケーラーには、提案に記載されている各サービスのサポート状況と廃止予定を、書面で確認してください。

トレードオフ。他のハイパースケーラーのビジョンサービスと同様に従量課金制であり、規模の拡大に伴いコストが予想外に増えることがあります。エッジデプロイは可能ですが、設計の中心ではありません。

最適な対象。すでにAzureに標準化しており、強力なOCRと文書理解を必要とし、MLチームを持つ代わりにマネージドサービスを利用したい組織です。

調達メモ。パイロット時ではなく、本番環境の処理量に基づいて推論あたりのコストを試算してください。承認済みのビジネスケースを赤字に転じさせるのは、従量課金です。

Cognex#

概要。マシンビジョン分野の世界的リーダーであり、製造および物流向けの自動化ハードウェアとソフトウェアを販売しています。

強み。Cognexが産業用ビジョンの既存大手であるのには、確かな理由があります。欠陥検出と品質管理、部品の有無の確認、物流や包装におけるバーコード読み取りとトレーサビリティに製品が導入されています。ViDi製品ラインの後継であるCognex VisionPro Deep Learningは、工場の自動化向けに特化した産業グレードのディープラーニングに加え、より単純な検査向けのエッジラーニング機能を備えています。PLCと統合し、工場の現場で安定して稼働するビジョンが必要なプログラムにとって、これはカメラに接続するクラウドサービスではなく、実績のある機器です。

トレードオフ。産業用ハードウェアのエコシステムに参加することになり、それに伴うコスト構造とベンダーロックインを受け入れる必要があります。クラウドネイティブでソフトウェアを重視するチームには適しません。

最適な対象。ビジョンシステムがデータプラットフォームの一部ではなく、生産ラインの一部となる製造および物流プログラムです。

調達メモ。ライン稼働後にモデルをどのように更新するかを確認してください。工場設備での再トレーニングのサイクルは、クラウドエンドポイントの再デプロイとは大きく異なる運用上の課題です。

Encord#

概要。アノテーションとデータセット品質に重点を置く、データ中心のプラットフォームです。

強み。Encordは、モデルアーキテクチャではなくデータ品質が成果を左右するという位置付けです。アノテーション、データのキュレーション、品質管理のツールを備え、医用画像と動画に強みがあるとされています。

トレードオフ。問題のうちデータに関する部分に対応します。トレーニングとデプロイには、引き続き別の環境が必要です。

最適な対象。特に規制対象または専門性の高い分野で、ラベリング品質がボトルネックとなっているプログラムです。

Landing AI#

概要。Andrew Ngが創設した製造業向けの外観検査プラットフォームです。

候補選定の前に確認してください。Landing AIは文書とエージェント型AIを中心に再配置されており、検査製品ラインは主要製品ではなく維持運用の位置付けです。ABB Motion Venturesは2025年に、同社のビジョンAIをABBのロボットに導入する目的で投資しました。そのため、この機能には今後の展開先がありますが、工場検査のロードマップに関する具体的な取り組みを直接確認してください。

強み。Landing AIは、欠陥の事例が少ない外観検査という、具体的で本当に難しい問題を対象としています。同社の技術は少量のデータセット向けに設計されています。これは産業現場では一般的な状況です。月に2回しか発生しない欠陥の事例を1,000件集めることはできません。

トレードオフ。対象を絞っているため、適合する範囲は限られます。多様なタスクに対応する汎用ビジョンには、より幅広いプラットフォームが適しています。

最適な対象。欠陥検出の課題を抱え、従来型モデルのトレーニングに十分な欠陥画像を集められない製造業者です。

調達メモ。モデルの能力ではなくデータ不足が障壁となっている場合に、候補に加えるべきベンダーです。最もまれな欠陥クラスで効果を実証してください。

NVIDIA#

概要。エンタープライズ向けビジョンの多くを支えるコンピューティングとソフトウェアのレイヤーです。高速化ハードウェア、事前学習済みモデルのツールキット、エッジおよび動画分析向けのデプロイフレームワークを提供します。

強み。調達におけるNVIDIAの重要性は、通常、アプリケーションレベルではなく構造的なものです。トレーニングに使用するGPUと、エッジ推論に使用するJetsonモジュールに加え、複数のストリームに対応した動画分析パイプライン向けのDeepStreamや、モデルのトレーニングと最適化向けのTAOを含むMetropolisプラットフォームレイヤーを提供します。多数のカメラストリームにビジョンを導入するプログラムでは、プラットフォームの選択とNVIDIAの選択が同じ検討事項になることがよくあります。

トレードオフ。アプリケーションではなく、インフラストラクチャです。データパイプライン、モデル、統合作業は、自社チームまたは別のベンダーで引き続き用意する必要があります。

最適な対象。多数のカメラストリームをエッジで実行するプログラム、またはカスタムモデルを大規模にトレーニングするプログラムです。

調達メモ。ハードウェアのリードタイムとライフサイクルサポートを契約に含めてください。エッジのフリート導入は、3年目にも購入できる状態を維持する必要があるモジュールに対する、5年間のコミットメントです。

Roboflow#

概要。コンピュータービジョン向けの、開発者を対象としたエンドツーエンドプラットフォームです。

強み。Roboflowは迅速なプロトタイピングで広く利用されており、データセット管理、拡張、モデルのトレーニングに対応します。AI支援アノテーション、ノーコードトレーニング、クラウドからエッジへのデプロイも備えています。新しいユースケースを迅速に試すチームにとって、セットアップ作業の大部分を省けます。

トレードオフ。開発者向けのツールは、開発者がいることを前提としています。エンタープライズ向けマネージドサービスではありません。

最適な対象。アイデアから動作するモデルまで、四半期単位ではなく数日で進めたいチームです。

Ultralytics#

概要。広く採用されているオープンモデルを基盤とする、アノテーション、データセット管理、トレーニングを網羅したビジョンプラットフォームです。

強み。Ultralytics Platformは、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、分類、姿勢推定、方向付き物体検出の6つのアノテーションタスクに対応しています。SAMを活用したスマートアノテーションでは、検出、セグメンテーション、セマンティック、方向付きボックスの各タスクで、ワンクリックでマスクとバウンディングボックスを作成できます。姿勢推定と分類は手動でアノテーションするため、タスク構成と照らし合わせて確認してください。インポートとエクスポートはYOLO、COCO、VOCに対応し、既存のパイプラインを置き換えるのではなく、そこに適合します。また、チームレビューとデータセットのバージョン管理も組み込まれています。調達上の利点は継続性とポータビリティです。モデルはオープンで広く導入されており、ラベル付けしたデータセットをそのままトレーニングに使用でき、どちらも独自形式に囲い込まれません。

調達の詳細。Ultralytics PlatformはSOC 2 Type IとISO 27001:2022を取得しており、転送中と保存時の暗号化、およびGDPRとCCPAへの準拠を提供しています。Type Iの意味をよく確認してください。Type Iが証明するのは、ある時点における管理策の設計であり、一定期間にわたる運用の有効性ではありません。後者はType IIが証明するものです。上記の複数のベンダーはType IIを取得しており、社内ポリシーで必要とされる場合、これは形式上の違いではなく実質的な差となります。データの保存場所は米国、EU、APに固定できます。クラウドGPUの料金は見積もり制ではなく時間単位で公開されており、課金は従量課金制です。そのため、このページに掲載された選択肢の中でも、営業との商談前に正確なコストを試算できる数少ないサービスの1つです。

ライセンス：機能を比較する前にお読みください。Ultralytics YOLOモデルは強いコピーレフトのライセンスであるAGPL-3.0の下で公開されています。商用またはプロプライエタリなデプロイには、通常、Ultralytics Enterpriseライセンスが必要です。このライセンスには、プライベートデプロイと高度なサポートも含まれます。商用ライセンスのプラットフォームと比較する際は、このライセンス費用を含め、早い段階で法務部門に確認してください。「オープンソース」と「ライセンス費用が不要」は同じ意味ではありません。これは、他の点では妥当なビジョン導入のビジネスケースが契約段階で停滞する最も一般的な原因です。

トレードオフ。自社でモデルを管理するチーム向けのプラットフォームです。完成した結果を提供するマネージドサービスを求める組織は、サービスを提供するベンダーを検討してください。また、ここに掲載された選択肢の中では最も新しく、Ultralytics Platformは2026年3月にリリースされました。一方、Azure、AWS、Cognex、NVIDIAには、長年の調達実績、確立されたサポートネットワーク、リスクを避ける委員会が求める導入実績があります。長い実績やType II認証が必須要件の場合は、他の選択肢が適しています。

最適な対象。自社で管理するカスタムビジョンモデルを、独自のハードウェアを含め、希望する場所にデプロイしたい企業です。クラウドベンダーに推論ごとの依存が生じません。ただし、マネージドプラットフォーム自体はGPUトレーニング時間とエンドポイントの使用量に課金します。違いは、エクスポートしたモデルを自社所有のインフラストラクチャだけで実行できることです。

比較の概要#

どのベンダーを選ぶべきですか？#

エンタープライズプログラムの大半は、6つの状況に当てはまります。自社に該当するものを確認してください。

OCR、ドキュメント理解、または汎用オブジェクト検出が必要で、Azureを利用している場合は、 Azure AI Visionを選択してください。APIはすぐに利用でき、ML担当者も必要なく、統合作業も最小限で済みます。導入を決定する前に、本番環境の処理量に基づいて推論あたりのコストを見積もってください。従量課金制の料金が、承認済みのビジネスケースを成立しなくさせる要因です。

AWSを中心とするパイプラインで、マネージド型のビジョン機能が必要な場合は、 AWSを選択してください。Rekognitionはモデレーション、顔検索、PPE、ラベル検出にすぐ対応でき、規模が拡大した場合もクラウドを変更せずに利用できるSageMakerがあります。製品を購入するというより、アーキテクチャを組み立てることになると想定してください。

生産ラインで部品を検査しています。ビジョンシステムをライン上に設置し、PLCと統合して工場の環境で安定して稼働させる必要がある場合は、Cognexを選択してください。従来の手法でトレーニングするには欠陥がまれすぎることが障壁であれば、代わりにLanding AIを選択してください。これは設備の問題ではなくデータの問題であり、別のツールが必要です。

多数のカメラストリームをエッジに展開しています。プラットフォームレイヤーとしてNVIDIAを選択し、モデルとデータパイプラインの提供元は別途決定してください。これはインフラストラクチャの選択であり、アプリケーションに関する選択を解決するものではありません。

迅速に進め、価値を実証する必要があります。反復を迅速に行うならRoboflowを、プロトタイプで使用するモデルを本番環境でも稼働させる予定ならUltralytics Platformを選択してください。違いは、探索を行うのか、構築するのかです。

ラベル付きデータがボトルネックです。 アノテーションの品質とキュレーションが制約になっている場合はEncordを、ツール間で受け渡すのではなく、アノテーションをトレーニングに直接つなげたい場合はUltralytics Platformを選びます。

2つの選択肢がどちらも要件に合う場合は、乗り換えコストが低いほうを選びます。オープンなモデル形式とポータブルなデータセットは、順調なときには何のコストもかかりませんが、問題が起きたときにはすべてを左右します。

RFPに盛り込む内容#

以下の質問は、機能一覧よりも迅速にベンダーを見分けられます。適合性の低いベンダーには、明確に答えられない質問だからです。

精度について。 概括した数値ではなく、当社の失敗クラスごとに分類した場合、概念実証用画像で測定した精度はどの程度ですか？ 当社にとって最も厳しい照明条件では、その数値はどうなりますか？

デプロイについて。 推論を実行する具体的なハードウェアは何ですか？ 画像の取り込みを含むエンドツーエンドのレイテンシはどれくらいですか？ 接続が途切れた場合、どのように動作しますか？ すでに設置済みのデバイス上のモデルは、誰が現地で更新しますか？

データについて。 ラベル付きデータの所有者は誰ですか？ いつでもオープンな形式でエクスポートできますか？ 当社のデータは製品の改善にどのように使われますか？ また、利用を拒否できますか？

ライフサイクルについて。 新たな失敗モードが見つかってから、再トレーニングして再デプロイするまでにどのくらいかかりますか？ 担当者を含め、手順を順番に説明してください。

商業条件について。 想定する利用量での3年間の費用はいくらですか？ ライセンス、コンピューティング、ストレージ、アノテーション作業、サポートに分けて提示してください。どのような場合に価格が変わりますか？

解約時について。 2年目に契約を終了した場合、データ、モデル、それともどちらも保持できませんか？

パイロットから本番環境へ#

この分野のプログラムの多くは、パイロットで失敗するわけではありません。うまくいったパイロットと、なかなか実現しない本番システムとの間にあるギャップで失敗します。

パイロット開始前に、本番環境の基準を設定します。 展開を正当化できる精度、レイテンシ、推論あたりのコストを決め、文書に残します。合格基準のないパイロットは必ず成功してしまうため、何の判断材料にもなりません。

最良の拠点ではなく、最も厳しい拠点でパイロットを実施します。 照明が良く、意欲的な監督者がいる旗艦ラインなら、どのベンダーも有能に見えます。実際の展開で評価されるのは、問題のある拠点です。

2つ目のモデルを見据えて予算を組みます。 最初のモデルは、ベンダーが注力し、データセットも整った状態で構築されます。10個目のモデルを構築するのは、火曜日の自社チームです。ベンダーがその場にいなければ2つ目のモデルを構築できないなら、プログラムは拡大できません。

データ品質の責任者を明確にします。 この分野で失敗したプログラムには、共通して欠けている役割があります。それは、ラベル付きデータセットを長期的に管理する責任者です。この役割はMLエンジニアの空き時間に任せるものでも、調達部門の担当でもありません。

本番環境でも通用する評価基準#

自社のタスクと推論の実行場所に照らして、これらの基準に重み付けしてください。

ベンチマークではなく、自社画像での精度。 照明不良、オクルージョン、現場担当者から不満が出ているエッジケースなど、自社の最も難しい画像を使った概念実証を求めてください。それに応じないベンダーは、何かを示しています。

エッジデプロイの現実性。 具体的に確認してください。ハードウェアは何か、レイテンシはどれくらいか、ネットワークが切断された場合はどうなるか、現場に設置済みのデバイス上のモデルをどう更新するかを尋ねます。

総所有コスト。 初期費用だけでなく、ライセンス、コンピューティング、ストレージ、アノテーション作業、継続的なモデル保守を含めます。従量課金制のクラウド料金は、規模の拡大時にチームの想定外となることが最も多い項目です。

統合範囲。 産業分野では、PLCやMESとの適合性がシステムの実用性を左右します。ソフトウェア分野では、APIとデータパイプラインが重要です。これらは相互に置き換えられるものではありません。

データガバナンス。 暗号化、アクセス制御、監査証跡、規制への準拠を確認します。GDPR、HIPAA、業界固有の標準によって、技術比較を始める前にプラットフォームの選択が決まることも少なくありません。

新たな調達基準：デバイスの信頼性とデータの来歴#

以前なら成立していた取引を、今では阻む要因となっている変化です。これは明確に認識しておく価値があります。

デバイスの信頼性、データセットの権利、画像の保管履歴は、モデル精度と同等の商業的重要性を持つようになっています。コンピュータービジョンモデルが技術的な検証に合格しても、調達審査で失敗することがあります。トレーニング画像の入手元、組織にその画像を使う権利があったかどうか、あるフレームをどの物理デバイスが撮影したかを証明できないためです。

RFPに盛り込むべき3つの質問：

• データセットの権利。 トレーニングに使用する各データセットのライセンスは何ですか？ また、当社の管轄区域で商用利用が認められていますか？
• 画像の保管履歴。 本番環境での推論結果を、撮影したデバイスまでさかのぼって追跡できる記録をベンダーは提示できますか？
• デバイスの信頼性。 エッジデバイスの完全性をどのように証明しますか？ また、改ざんされた場合はどうなりますか？

これらに答えられないベンダーが、必ずしも安全でないとは限りません。ただし、法務審査を数カ月遅らせることになります。

評価の進め方#

機能数ではなく、分類軸で候補を絞ります。 まず、事前学習済みモデルかカスタムモデルか、クラウドかエッジかを決めます。通常、デモを1件も見る前に市場の半分を候補から除外できます。

最も難しいデータで概念実証を1回実施します。 すべてのベンダーに同じ画像と同じ合格基準を適用します。簡単なデータセット全体での総合精度ではなく、重要なケースでの精度を測定します。

ライフサイクル全体の費用を算出します。 アノテーション作業と再トレーニングを含む3年間のモデルを作成します。ライセンス料ではなく、その総額を比較します。

更新手順をテストします。 モデルをデプロイしてから、変更を加えます。変更にかかる時間と関係者の数が、本番稼働後にシステムが改善するか、初日から更新されずに止まるかを左右します。

解約時の条件を確認します。 ラベル付きデータをオープンな形式でエクスポートし、モデルを別の環境に移せますか？ できない場合は、ベンダーロックインのコストを算出してください。