コンピュータービジョンにおける教師あり学習と教師なし学習を探る

人工知能（AI）は、人間の知能に似た方法で機械に学習や推論を行わせるという基本概念に基づいて構築されています。人が直接教えられたり、パターンや経験を観察したりするなど、さまざまな方法で学習するのと同様に、AIや機械学習のシステムもこうしたアプローチに従うよう設計されています。

具体的に機械学習アルゴリズムでは、システムはあらゆるタスクについて明示的にプログラムされるのではなく、データから学習するようトレーニングされます。固定ルールに依存する代わりに、機械学習モデルはデータ内のパターンを特定し、それらを使って予測や判断を行います。

例えば、コンピュータービジョンはAIと機械学習の一分野であり、画像や動画などの視覚情報をシステムが解釈して理解できるようにすることに重点を置いています。物体の認識から大規模なデータセットに潜むパターンの特定まで、こうしたシステムは学習のためにどのようなトレーニングを受けたかに大きく依存します。

利用可能なデータの種類と解決する問題に応じて、さまざまなAI学習手法を使ってこれらのシステムをトレーニングします。

一部のコンピュータービジョンモデルはラベル付きデータから学習します。これは各入力に正解が対応付けられているもので、すべての画像やデータポイントに、それが何を表すかを示す定義済みのラベルが付いています。これにより、モデルは入力と期待される出力の関係を学習し、未知の新しいデータに対して正確な予測を行う能力を高められます。

一方、他のビジョンモデルは、定義済みの正解が与えられないラベルなしデータから学習し、データ自体に含まれるパターンや関係の特定に重点を置きます。これらのアプローチはそれぞれ教師あり学習と教師なし学習と呼ばれ、最先端のコンピュータービジョンシステムの多くを支える基盤となっています。

この記事では、教師あり学習と教師なし学習、それらがコンピュータービジョンでどのように利用されるか、そしてビジョンAIプロジェクトに最適なアプローチの選び方を解説します。始めましょう。

AIの学習アプローチがコンピュータービジョンを支える仕組み#

人工知能は、人間の知能を通常必要とするタスクを機械が実行できるようにするさまざまなテクノロジーを覆う傘のようなものだと考えられます。この傘の中で、機械学習は、固定ルールだけに依存せず、システムがデータから学習できるようにする重要な分野です。

機械学習では、さまざまな学習手法によって、モデルが時間の経過とともにどのように学習し、改善するかが決まります。教師あり学習（正解付きのラベル付きデータから学習）、教師なし学習（ラベルなしデータ内のパターンを特定）、強化学習（フィードバックや報酬を利用して試行錯誤から学習）、半教師あり学習（少量のラベル付きデータと大量のラベルなしデータを組み合わせる）などのアプローチによって、システムが入力データを処理し、出力データを生成する方法が定義されます。

図1. AI学習手法の概要（出典）

特にコンピュータービジョンシステムは、こうした学習アプローチを使って視覚データを解釈し、理解するよう構築されます。教師あり学習は、明確にラベル付けされた例からモデルを学習させ、正確で信頼性の高い結果を生成できるため、最も一般的に使われる手法です。

例えば、「cat」や「dog」とラベル付けされた画像でモデルをトレーニングし、形状、耳、顔の構造などの特徴を学習させることで、分類アルゴリズムを使って新しい画像を正しく分類できます。一方、教師なし学習と半教師あり学習もコンピュータービジョンで利用されており、データ内のパターンの探索や、ラベル付きデータが限られている場合の性能向上に使われることがよくあります。

コンピュータービジョンで教師あり学習モデルを使う方法#

教師あり学習アルゴリズムは、教師が正解付きの例を示し、生徒が何が正しく何が間違っているかを学ぶ教室の状況と比較できます。機械学習では、各入力に既知の出力が対応付けられたラベル付きデータを使い、モデルも同様の方法で学習します。

例えば、野球の試合分析を自動化するコンピュータービジョンシステムを構築するとします。ボール、バット、選手などの物体にラベルが付いた画像やビデオフレームを使って、Ultralytics YOLO26のようなモデルをトレーニングできます。

各物体には位置とカテゴリーが付与されるため、モデルは何を探すべきかを学習できます。時間の経過とともに、モデルは新しい映像内でこれらの物体を検出して位置を特定し、フレーム間でのボール追跡や選手検出などのユースケースを支援できます。

図2. 教師あり学習によって実現される物体検出の例（出典）

物体検出に加えて、教師あり学習は画像分類、インスタンスセグメンテーション、ポーズ推定など、正確性と一貫性が重要な幅広いコンピュータービジョンタスクで広く使われています。これらの各タスクで、モデルはラベル付きデータから学習し、特定のパターンを識別して新しい入力に対する信頼性の高い予測を行います。

これらのモデルは通常、深層学習を使って構築されます。深層学習は、ニューラルネットワークを使ってデータから直接パターンを学習する機械学習の一種です。ニューラルネットワークは、人間の脳の働きに緩やかに着想を得た方法で情報を処理するよう設計されており、大規模なデータセットから複雑な視覚的特徴を学習できます。

初期のコンピュータービジョンアプローチでは、手作業で設計した特徴量を、サポートベクターマシン（SVM：カテゴリー間の最適な境界を見つけてデータを分類するモデル）や決定木（データを分岐に分割して判断するモデル）などのアルゴリズムと組み合わせることがよくありました。

これに対して、現在のコンピュータービジョンモデルは深層学習を使ってデータからこうした特徴量を自動的に学習するため、大規模で詳細な視覚タスクをより効果的に処理できます。

ビジョンAIにおける教師なし学習モデルの必要性を理解する#

教師あり学習はコンピュータービジョンで一般的に選ばれるアプローチですが、ラベル付きデータが利用できない、または作成に費用と時間がかかりすぎるビジョンアプリケーションもあります。

このような場合、教師なし学習アルゴリズムが有効な代替手段になります。例えば、野生動物カメラで撮影した大量のラベルなし写真があるとします。

各画像に何が写っているかを示すラベルはありませんが、それでもデータを整理または理解したいとします。教師なしモデルはこれらの画像を分析し、似た画像同士をまとめ、正確なラベルが分からなくても、外観が似た動物をクラスターに分けられます。

コンピュータービジョンにおける教師なし学習の仕組み#

では、教師なし機械学習はどのように機能するのでしょうか。モデルは正解から学習するのではなく、データ内のパターンや構造を自ら特定することで学習します。ラベル付きの例に依存せず、データ全体の類似点と相違点を探します。

一般的なユースケースに異常検知があります。モデルは正常なデータの特徴を学習し、そこから逸脱するものを特定します。異常および外れ値の検出は、最も大きな効果が期待できる産業用途の一つです。例えば、製造ラインで不良品を発見する、放射線科医の確認が必要な異常な医療スキャンにフラグを付ける、監視映像から不審な活動を検出する、といった用途があります。欠陥や異常はまれで多様なことが多いため、考えられるすべてのケースにラベルを付けるのは現実的ではなく、教師なしアプローチが自然に適しています。

これを支援するため、クラスタリングや次元削減などの手法がよく使われます。通常は生の画像そのものではなく、画像から抽出した特徴量に対して適用します。k-meansクラスタリングなどのクラスタリング手法は、共通するパターンに基づいて似た画像をまとめます。一方、主成分分析（PCA）などの次元削減手法は、最も重要な特徴に焦点を当てることでデータを簡略化します。

これにより、モデルは大規模で複雑なデータセット内の意味のあるパターンや構造を特定しやすくなります。教師なし学習の主な利点は、ラベルなしデータでも適切に機能し、すぐには明らかでないパターンを明らかにできることです。ただし、教師あり学習と比べて評価が難しく、最終的な出力に対する制御も少なくなります。

コンピュータービジョンにおける自己教師あり学習と半教師あり学習#

教師あり学習と教師なし学習について検討すると、両者の中間に位置する方法があるのか疑問に思うかもしれません。興味深いことに、自己教師あり学習と半教師あり学習は、教師あり学習と教師なし学習の隔たりを埋めます。

これらのアプローチにより、モデルはラベルなしデータからより効果的に学習できます。ラベル付きの例だけに依存するのではなく、データから独自の学習タスクを作成するか、少量のラベル付きデータセットとより大規模なラベルなしデータセットを組み合わせます。

自己教師あり学習では、モデルはデータ自体から作成したタスクを解くことで学習します。例えば、一部が欠けた画像を与えて、その空間を埋めるべき内容を予測するよう学習させたり、同じ物体の異なる視点を認識するよう学習させたりできます。これにより、手作業でラベルを付けなくても、モデルは有用な特徴量を学習できます。

一方、半教師あり学習では、少量のラベル付きデータをより大規模なラベルなしデータと併用して性能を向上させます。場合によっては、モデルがラベルなしデータのラベルを生成し、それを使って学習を継続できます。

これらのアプローチの主な利点は、作成に費用と時間がかかることの多い大規模なラベル付きデータセットの必要性を減らせることです。ただし、完全な教師あり手法と比べて設計と評価が複雑になる場合があります。

教師あり学習と教師なし学習の主な違い#

教師あり学習と教師なし学習の違いは、モデルがどのように学習し、何を達成しようとしているかにあります。教師あり学習はラベル付きデータと明確な指示に依存して特定のタスクを学習するのに対し、教師なし学習は定義済みの正解なしで機能し、データ内のパターンや構造の発見に重点を置きます。

例えば、交通監視システムでは、教師あり学習モデルをラベル付き画像でトレーニングし、車両、歩行者、信号機を検出できます。これに対して教師なしモデルは、何を探すべきかを明示的に指示されなくても、大量の映像を分析して似た交通パターンをまとめたり、予期しない渋滞や異常な動きなどの異常なイベントを特定したりできます。

コンピュータービジョンで教師あり学習を使うタイミング#

教師あり学習は、目的が明確に定義され、モデルが入力データを正確な出力に対応付ける必要があるコンピュータービジョンタスクに適した選択肢です。信頼性の高いラベル付きデータセットがあり、一貫した予測可能な結果が必要な場合に特に効果を発揮します。

図3. 教師あり学習によって実行されるコンピュータービジョンタスク（出典）

モデルが既知のカテゴリーを区別したり、特定の結果を予測したりする必要がある問題でよく使われます。パターンを探索するのではなく、ラベル付きデータから正確な関係を学習することに重点を置くため、モデルを望ましい結果へ導きやすくなります。

もう一つの重要な利点は制御性です。教師あり学習では、明確な指標を使って性能を測定し、モデルを微調整し、デプロイ時の安定した動作を確保することが容易です。そのため、時間の経過後も一貫性と信頼性が必要なシステムに最適です。

ただし、これにはトレードオフがあります。モデルはラベル付きデータの品質と規模に大きく依存し、そのようなデータの収集とアノテーションには時間がかかる場合があります。

教師ありコンピュータービジョンの実例#

Ultralytics YOLOモデルのようなビジョンAIモデルは、特にリアルタイムアプリケーションで、高精度の物体検出などのタスクを実行するために教師あり学習を利用します。教師あり学習が効果を発揮する、一般的な実世界のビジョンのユースケースを紹介します。

• ヘルスケアと医療画像: 医師は、X線やMRIなどのラベル付きスキャンでトレーニングされたコンピュータービジョンシステムを利用できます。分類器で腫瘍や骨折などの状態を特定し、より迅速で正確な診断を支援します。
• 産業品質検査: 製造環境では、ラベル付きデータでトレーニングされたビジョンシステムが、形状、表面欠陥、テクスチャ、サイズなど、品質に関する多数の特徴を分析して製品を検査できます。適合品と不良品の両方の例から学習することで、こうしたシステムは不具合を一貫して特定し、生産基準を維持できます。
• 自動運転: 自動運転システムは、ラベル付きの走行データでトレーニングされたモデルを利用して、車線、車両、歩行者、交通標識を認識し、車両がリアルタイムで安全に走行できるよう支援します。
• 小売とレジシステム: 店舗では、ラベル付き商品画像でトレーニングされたモデルを使って、棚やレジで商品を識別し、自動会計とより効率的な在庫管理を実現しています。これらのシステムは、追加データと組み合わせることで顧客セグメンテーションなどのタスクも支援でき、企業が購買パターンをより深く理解するのに役立ちます。
• 農業と作物モニタリング: 農家は、ラベル付き画像でトレーニングされたモデルを使って作物を検出・分類できます。例えば、健全なジャガイモと損傷したジャガイモを識別して数えることで、品質管理を改善し、損失を削減できます。

図4. YOLOを使った健全なジャガイモと不良ジャガイモの検出および計数

コンピュータービジョンのどのような問題を教師なし学習で解決できるか#

教師なし学習は、ラベル付きデータが十分にない場合や、データに明確な正解が付いていない場合に役立ちます。このような状況では、正確な予測を行うことではなく、データ内のパターンや構造を理解することが目的です。

ラベルなしデータセットを初めて探索する際によく使われます。モデルに何を探すべきかを指示する代わりに、類似点の特定、関連する画像のグループ化、異常なパターンの自律的な検出を行わせます。

大量の画像コレクションでは、教師なしアプローチによって似た画像をまとめたり、さらに注意が必要な可能性のある外れ値にフラグを付けたりできます。そのため、データサイエンスプロジェクトの出発点として役立ちます。

GAN、変分オートエンコーダー、拡散モデルなどの生成モデルは、画像の基礎的な分布を学習してまったく新しい画像を作成します。これらのモデルは、画像合成、インペインティング、超解像、スタイル変換などのアプリケーションを支え、現在の生成AIシステムの中核を形成しています。

教師なしセグメンテーションでは、ラベル付きマスクに依存せずに、一部の手法がピクセルや領域を一貫性のあるセグメントにグループ化します。これは、アノテーションのコストが高すぎる場合や、定義済みのカテゴリーとの一致ではなく構造の発見を目的とする場合に役立ちます。

教師なし学習は、ラベル付けに時間がかかる、または現実的でない大規模データセットを扱う場合にも効果を発揮します。そのようなケースでは、ラベル付きトレーニングデータに依存せずにデータから知見を得られます。

また、生成AI（画像、テキスト、音声などの新しいデータを作成するモデル）や表現学習（生データから有用な特徴量やパターンを学習するモデル）などの分野でもよく使われます。これらの分野では、モデルが大量のデータから一般的な特徴量を学習します。全体として、問題に探索、パターン発見、またはラベルなしデータの利用が含まれる場合、教師なし学習は検討に値する柔軟で実用的なアプローチです。

コンピュータービジョンにおける教師なし学習の実例#

教師なし学習がコンピュータービジョンに適用されるユースケースの例を紹介します。

• 製造における異常検知: モデルは正常な製品の特徴を学習し、考えられるすべての不良についてラベル付きの例を用意しなくても、欠陥や異常を検出できます。
• 画像の整理と検索: 写真ライブラリやECカタログなどの大量の画像コレクションを、視覚的な類似性に基づいて自動的にグループ化できます。これにより、データサイエンティストは大規模なデータセットを整理、探索、検索しやすくなります。
• 監視とセキュリティ: システムは映像を分析し、予期しない動きや群衆の変化など、異常なパターンや行動を、ラベル付きイベントで明示的にトレーニングされていなくても特定できます。
• 前処理とデータ探索: 教師なし手法は、教師ありモデルをトレーニングする前に生の画像データを探索して構造化するためによく使われ、データ品質の向上と手作業の削減に役立ちます。

教師あり学習と教師なし学習の実践的な限界#

どちらの学習アプローチにも利点がありますが、考慮すべき限界もあります。コンピュータービジョンモデルを構築する際に留意すべき実践的な要素を紹介します。

• 教師ありモデルにおける過学習: 教師あり学習では、モデルが一般的なパターンではなくトレーニングデータに過度に適合して学習する場合があります。これは、データセットが小さい、または多様性に欠ける場合によく起こります。例えば、ある種類の製品の欠陥を検出するようトレーニングされたモデルが、製品や照明条件がわずかに異なる新しいデータでテストすると失敗することがあります。
• クラスタリングアルゴリズムの課題: 教師なし学習では、モデルが似たデータポイントをまとめられます。ただし、データにノイズや一貫性がある、または明確な構造がない場合、この処理がうまく機能しないことがあります。例えば、画像のグループ化タスクで、物体は異なるものの色が似ている画像が誤って同じグループにまとめられる可能性があります。
• 適切な前処理の重要性: トレーニング前に、データをクリーニングして準備する必要があります。通常は、画像処理とデータ変換を扱うPythonライブラリを使って実行します。画像のサイズ、品質、照明が異なる場合があるコンピュータービジョンでは、特に重要です。適切な前処理を行わないと、モデルが意味のあるパターンではなくノイズから学習し、性能低下につながる可能性があります。

主なポイント#

コンピュータービジョンでは、教師あり学習と教師なし学習の両方が重要な役割を果たします。適切なアプローチは、データの種類、ラベル付きかラベルなしか、解決しようとしている問題、デプロイ要件によって異なります。

高い精度と明確に定義された出力が目的であれば、教師あり機械学習が適していることが多いです。データを探索している場合やラベルなしで作業している場合は、教師なし学習の方が適している可能性があります。

AIについて詳しく知りたいですか。コミュニティとGitHubリポジトリをご覧ください。ソリューションページで、ロボティクスにおけるAIと農業におけるコンピュータービジョンについて学べます。ライセンスのオプションを確認し、今すぐコンピュータービジョンの構築を始めましょう。