2025年の最高のコンピュータビジョンデータセットを探索する

データが日常のほぼすべての活動に関わっていることをご存知でしょうか。ビデオの視聴、写真の撮影、Google Mapsの確認などは、750億台以上の接続デバイスによって捉えられる絶え間ない情報の流れに寄与しています。こうしたデータ群が、人工知能（AI）の基盤を形成します。実際、Ultralytics YOLO11のような高度なコンピュータビジョンモデルは、視覚データに依存してパターンを識別し、画像を解釈し、私たちの周囲の世界を理解しています。

興味深いことに、データの価値は単なる量ではありません。いかに整理され、準備されているかがより重要です。データセットが乱雑であったり不完全であったりすると、エラーにつながる可能性があります。一方で、データセットがクリーンで多様性に富んでいる場合、群衆の中のオブジェクト認識や複雑な視覚情報の分析といったタスクにおいて、コンピュータビジョンモデルのパフォーマンスを向上させることができます。高品質なデータセットこそが、決定的な違いを生み出します。

本記事では、2025年の最適なコンピュータビジョンデータセットを探求し、それらがどのようにしてより正確で効率的なコンピュータビジョンモデルの構築に寄与しているのかを見ていきます。それでは始めましょう！

Link to this sectionコンピュータビジョンデータセットとは何か？#

コンピュータビジョンデータセットは、コンピュータビジョンシステムが視覚情報を理解し認識することを学習するための画像やビデオの集合体です。これらのデータセットには、モデルがデータ内のオブジェクト、人物、シーン、パターンを認識するのを助けるラベルやアノテーションが付与されています。

これらはコンピュータビジョンモデルの学習に使用でき、顔認識、物体検出、シーン分析といったタスクの改善に役立ちます。データセットが適切に整理され、多様性に富み、正確であればあるほど、ビジョンAIモデルのパフォーマンスは向上し、日常生活におけるよりスマートで役立つテクノロジーにつながります。

Link to this sectionコンピュータビジョンデータセットの構築方法#

コンピュータビジョンデータセットの構築は、世界を見て理解する方法を誰かに教えるための学習ノートを作成することに似ています。まずは、開発しようとしている特定のアプリケーションに適合する画像やビデオを集めることから始まります。

理想的なデータセットには、対象となるオブジェクトの多様な例が含まれ、さまざまな角度、照明条件、そして複数の背景や環境から撮影されたものが含まれます。この多様性により、コンピュータビジョンモデルは正確にパターンを認識し、現実世界のシナリオにおいても確実に機能するようになります。

図1：完璧なビジョンデータセットの構築。画像提供：著者。

関連する画像やビデオを集めた後、次のステップはデータラベリングです。このプロセスには、AIが各画像やビデオの内容を理解できるように、タグ、アノテーション、または説明を追加することが含まれます。

ラベルには、オブジェクト名、位置、境界線、またはモデルが視覚情報を正確に認識し解釈できるように学習するためのその他の関連詳細が含まれます。データラベリングにより、単純な画像の集合が、コンピュータビジョンモデルを学習させるために使用できる構造化されたデータセットに変換されます。

Link to this sectionモデルの学習には高品質なデータが必要#

何がデータセットを高品質にするのか疑問に思うかもしれません。そこには、正確なラベリング、多様性、一貫性など多くの要因が関わっています。例えば、複数のアノテーターが物体検出データセットで猫の耳を特定するためにラベル付けを行う際、ある人は頭の一部としてラベルを付け、別の人は耳として個別にラベルを付けるといった状況が考えられます。この不一致はモデルを混乱させ、正しく学習する能力に悪影響を及ぼす可能性があります。

理想的なコンピュータビジョンデータセットの品質に関する概要を以下に示します：

• 明確なラベル：各画像には、一貫性のある正確なラベルが適切に付与されています。
• 多様なデータ：モデルがさまざまな状況で機能するように、多様なオブジェクト、背景、照明条件、角度が含まれています。
• 高解像度画像：シャープで詳細な画像は、モデルが特徴を学習し認識するのを容易にします。

Link to this sectionUltralyticsはさまざまなデータセットをサポート#

YOLO11のようなUltralytics YOLOモデルは、特定のYOLOファイル形式のデータセットで動作するように構築されています。独自のデータをこの形式に変換するのは簡単ですが、すぐに実験を始めたいという方のために、手間のないオプションも提供しています。

Ultralytics Pythonパッケージは幅広いコンピュータビジョンデータセットをサポートしており、追加の設定なしで、物体検出、インスタンスセグメンテーション、ポーズ推定といったタスクを使用してプロジェクトに飛び込むことができます。

ユーザーは、学習関数のパラメータの1つとしてデータセット名を指定することで、COCO、DOTA-v2.0、Open Images V7、ImageNetなどのすぐに使えるデータセットに簡単にアクセスできます。そうすることで、データセットが自動的にダウンロードおよび事前設定されるため、モデルの構築と改良に集中できます。

Link to this section2025年のトップ5コンピュータビジョンデータセット#

ビジョンAIの進歩は、イノベーションを促進し、飛躍的な進歩を可能にする多様な大規模データセットに依存しています。Ultralyticsがサポートする、コンピュータビジョンモデルに影響を与えている最も重要なデータセットのいくつかを見てみましょう。

Link to this sectionImageNetデータセット#

ImageNetは、2007年にプリンストン大学のフェイフェイ・リー（Fei-Fei Li）氏とそのチームによって作成され、2009年に導入された1,400万枚以上のラベル付き画像を含む大規模なデータセットです。これは、さまざまなオブジェクトを認識・分類するシステムを学習させるために広く使用されています。その構造化された設計は、画像を正確に分類するようモデルを教育するのに特に役立ちます。文書化は十分にされていますが、主に画像分類に焦点を当てており、物体検出のようなタスクのための詳細なアノテーションは不足しています。

ImageNetの主な強みのいくつかを以下に示します：

• 多様性: 20,000以上のカテゴリにまたがる画像を備えたImageNetは、モデルの学習と汎化性能を強化する膨大で多様なデータセットを提供します。
• 構造化された組織: 画像はWordNet階層を使用して細心の注意を払って分類されており、効率的なデータ取得と体系的なモデル学習を促進します。
• 包括的なドキュメント: 広範な研究と長年の調査により、ImageNetは初心者から専門家まで利用しやすく、コンピュータビジョンプロジェクトに向けた貴重な洞察とガイダンスを提供します。

しかし、他のデータセットと同様に制限もあります。考慮すべき課題をいくつか挙げます：

• 計算需要: その膨大なサイズは、限られた計算リソースを持つ小規模チームにとって課題となる可能性があります。
• 時系列データの欠如: 静止画像のみが含まれているため、ビデオや時間ベースのデータを必要とするアプリケーションのニーズには合わない可能性があります。
• 古い画像: データセット内の画像の一部は古く、現在のオブジェクト、スタイル、または環境を反映していない可能性があり、現代のアプリケーションに対する関連性が低下する可能性があります。

Link to this sectionDOTA-v2.0データセット#

DOTA-v2.0データセット（DOTAはDataset for Object Detection in Aerial Imagesの略）は、特に指向性バウンディングボックス（OBB）物体検出のために作成された広範な航空画像コレクションです。OBB検出では、回転したバウンディングボックスを使用して、画像内のオブジェクトの実際の向きとより正確に一致させます。この手法は、オブジェクトがさまざまな角度で表示されることが多い航空画像に対して特にうまく機能し、より正確なローカライゼーションと全体的な検出精度の向上につながります。

このデータセットは、18のオブジェクトカテゴリにわたって11,000枚以上の画像と170万個以上の指向性バウンディングボックスで構成されています。画像サイズは800×800から20,000×20,000ピクセルに及び、飛行機、船、建物などのオブジェクトが含まれます。

図2. DOTA-v2.0データセットの画像とアノテーションの例。画像提供：著者。

詳細なアノテーションがあるため、DOTA-v2.0はリモートセンシングや航空監視プロジェクトの一般的な選択肢となっています。DOTA-v2.0の主な機能の一部を以下に示します：

• 多様なオブジェクトカテゴリ: 乗り物、港、貯蔵タンクなど、多くの異なるオブジェクトタイプをカバーしており、モデルにさまざまな現実世界のオブジェクトを触れさせます。
• 高品質なアノテーション: 専門のアノテーターが、オブジェクトの形状と方向を明確に示す、正確に向き付けられたバウンディングボックスを提供しています。
• マルチスケール画像: データセットにはさまざまなサイズの画像が含まれており、モデルが小規模および大規模の両方でオブジェクトを検出する方法を学習するのに役立ちます。

DOTA-v2には多くの強みがありますが、ユーザーが留意すべき制限をいくつか示します：

• 追加のダウンロード手順: DOTAデータセットの管理方法により、DOTA-v2.0には追加のセットアップ手順が必要です。まずDOTA-v1.0の画像をダウンロードし、次にDOTA-v2.0用の追加画像と更新されたアノテーションを追加してデータセットを完成させる必要があります。
• 複雑なアノテーション: 指向性バウンディングボックスは、モデル学習中に処理するために追加の作業が必要になる場合があります。
• 限定的な範囲: DOTA-v2は航空画像向けに設計されているため、このドメイン外の一般的な物体検出タスクにはあまり役立ちません。

Link to this sectionRoboflow 100データセット#

Roboflow 100（RF100）データセットは、Intelの支援を受けてRoboflowによって作成されました。これは、物体検出モデルがどの程度うまく機能するかをテストし、ベンチマークするために使用できます。このベンチマークデータセットには、90,000以上の公開データセットから選択された100種類のデータセットが含まれています。ヘルスケア、航空写真、ゲームなどの分野から、224,000枚以上の画像と800のオブジェクトクラスがあります。

RF100を使用する主な利点をいくつか以下に示します：

• 広範なドメインカバレッジ: 医療画像、航空写真、水中探査など、7つの分野のデータセットが含まれています。
• モデルの改善を促進: RF100における変動性とドメイン固有の課題は、現在のモデルのギャップを明らかにし、より適応性が高く堅牢な物体検出ソリューションに向けた研究を促進します。
• 一貫した画像フォーマット: すべての画像は640x640ピクセルにリサイズされています。これにより、ユーザーは画像サイズを調整することなくモデルを学習させることができます。

強みにもかかわらず、RF100には留意すべき欠点もあります：

• タスクの制限: RF100は物体検出用に設計されているため、セグメンテーションや分類のようなタスクには対応していません。
• ベンチマーク中心の焦点: RF100は主に実用的なアプリケーションのためのモデル学習よりも、ベンチマークツールとして設計されているため、結果が実践的な展開シナリオに完全には変換されない可能性があります。
• アノテーションの変動性: RF100はクラウドソーシングされたデータセットを集約しているため、アノテーションの品質やラベル付けの実践に不一致が生じる可能性があり、それがモデルの評価や微調整に影響を与える可能性があります。

Link to this sectionCOCO（Common Objects in Context）データセット#

COCOデータセットは、最も広く使用されているコンピュータビジョンデータセットの1つであり、詳細な画像アノテーションが付いた33万枚以上の画像を提供します。物体検出、セグメンテーション、画像キャプション用に設計されており、多くのプロジェクトにとって貴重なリソースとなっています。バウンディングボックスやセグメンテーションマスクを含むその詳細なラベルは、システムが画像を正確に分析することを学習するのに役立ちます。

このデータセットはその柔軟性で知られており、単純なプロジェクトから複雑なプロジェクトまで、さまざまなタスクに役立ちます。ビジョンAI分野の標準となっており、モデルのパフォーマンスを評価するための課題やコンペティションで頻繁に使用されます。

その強みには以下が含まれます：

• 多様で現実的なデータ: データセットには、複数のオブジェクト、遮蔽、さまざまな照明条件など、現実世界のシナリオの画像が含まれています。
• 強力なコミュニティと研究採用: 主要な機械学習コンペティションや研究で使用されており、COCOデータセットは広範なドキュメント、事前学習済みモデル、活発なコミュニティサポートを備えています。
• 豊富で詳細なアノテーション: COCOデータセットは、オブジェクトのセグメンテーション、キーポイント、キャプションなど、非常に詳細なアノテーションを提供しており、正確な視覚的理解を必要とするプロジェクトに最適です。

注意すべきいくつかの制限要因も以下に示します：

• 高い計算要件: サイズと複雑さのため、COCOでモデルを学習するには多大な計算リソースが必要となる可能性があり、限られたハードウェアしか持たないチームには困難です。
• データの不均衡: 一部のオブジェクトカテゴリには他のカテゴリよりも大幅に多くの画像が含まれており、モデル学習のバイアスにつながる可能性があります。
• 複雑なアノテーション構造: データセットの詳細なアノテーションは貴重ですが、構造化されたビジョンAIデータセットの扱いに経験のない初心者や小規模チームにとっては圧倒される可能性があります。

Link to this sectionOpen Images V7データセット#

Open Images V7は、Googleがキュレーションした大規模なオープンソースデータセットであり、600のオブジェクトカテゴリのアノテーションを持つ900万枚以上の画像を特徴としています。さまざまなアノテーションタイプが含まれており、複雑なコンピュータビジョンのタスクに取り組むのに最適です。その規模と深さは、コンピュータビジョンモデルを学習およびテストするための包括的なリソースを提供します。

図3. Open Images V7データセットの概要。画像提供：著者。

また、研究におけるOpen Images V7データセットの人気は、ユーザーが学習するための豊富なリソースや例を提供しています。しかし、その膨大なサイズのため、特に小規模チームにとってはダウンロードや処理に時間がかかる可能性があります。もう1つの問題は、一部のアノテーションに一貫性がない可能性があり、データのクリーニングに追加の作業が必要になる点です。また、統合が常にシームレスであるとは限らず、追加の準備が必要になる場合があります。

Link to this section適切なデータセットの選択#

適切なデータセットを選ぶことは、コンピュータビジョンプロジェクトを成功させるための大きな要素です。最適な選択は特定のタスクに依存します。うまくマッチするものを見つけることで、モデルが正しいスキルを学習するのに役立ちます。また、使用するツールと容易に統合できる必要があり、それによりトラブルシューティングよりもモデルの構築に集中できるようになります。

図4：適切なデータセットを選択するための要因。画像提供：著者。

Link to this section重要なポイント#

高品質なデータセットはあらゆるコンピュータビジョンモデルのバックボーンであり、システムが画像を正確に解釈できるように学習するのを助けます。多様で適切にアノテーションされたデータセットは特に重要であり、それによってモデルが現実世界のシナリオで確実に機能し、限定的または質の低いデータによって引き起こされるエラーを削減できます。

Ultralyticsはコンピュータビジョンデータセットへのアクセスと活用プロセスを簡素化し、プロジェクトに適したデータを見つけやすくします。適切なデータセットを選択することは、高性能なモデルを構築するための極めて重要なステップであり、より正確でインパクトのある結果につながります。

コミュニティに参加し、GitHubリポジトリを探索して、AIについてさらに詳しく学びましょう。ヘルスケアのためのコンピュータビジョンや自動運転車のAIなどの進歩については、ソリューションページをご覧ください。ライセンスオプションを確認し、今日からコンピュータビジョンを始めるための最初の一歩を踏み出しましょう！