2025年に最適なコンピュータービジョンデータセットを探る

日々行うほとんどすべてのことに、データが関わっていることをご存じですか？動画の視聴、写真の撮影、Google Mapsの確認などによって、750億台以上の接続デバイスが収集する情報が絶えず蓄積されています。これらのデータは、人工知能（AI）の基盤となります。実際、Ultralytics YOLO11のような高度なコンピュータービジョンモデルは、視覚データを利用してパターンを特定し、画像を解釈し、周囲の世界を理解します。

興味深いことに、データの価値は量だけで決まるわけではありません。どれだけ適切に整理され、準備されているかがより重要です。データセットが整理されていなかったり不完全だったりすると、ミスにつながる可能性があります。一方、データセットがクリーンで多様性に富んでいれば、混雑した場所にいる物体の認識から複雑な映像の分析まで、コンピュータビジョンモデルの性能向上に役立ちます。高品質なデータセットが大きな違いを生みます。

この記事では、2025年における最適なコンピュータビジョンデータセットを取り上げ、それらが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どのように貢献するかを見ていきます。早速始めましょう。

コンピュータビジョンデータセットとは何ですか？#

コンピュータビジョンデータセットとは、コンピュータビジョンシステムが視覚情報を理解して認識する方法を学習するための画像や動画の集合です。これらのデータセットには、データ内の物体、人、シーン、パターンをモデルが認識するのに役立つラベルやアノテーションが付属しています。

コンピュータビジョンモデルのトレーニングに使用でき、顔の識別、物体の検出、シーンの分析などのタスクの改善に役立ちます。データセットの品質が高く、整理され、多様で正確であるほど、ビジョンAIモデルの性能も向上します。その結果、日常生活でよりスマートで便利なテクノロジーを実現できます。

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、誰かに世界の見方や理解の仕方を教えるための学習ノートを準備するようなものです。まず、開発する特定のアプリケーションに合った画像や動画を収集します。

理想的なデータセットには、対象物の多様な例が含まれます。さまざまな角度、照明条件、背景、環境で撮影されたデータを用意します。この多様性により、コンピュータビジョンモデルはパターンを正確に認識できるようになり、実世界のシナリオでも安定して動作します。

図1. 最適なビジョンデータセットの構築。画像：著者。

関連する画像や動画を収集したら、次のステップはデータラベリングです。このプロセスでは、AIが各画像や動画に何が含まれているかを理解できるよう、データにタグ、アノテーション、説明を追加します。

ラベルには、物体名、位置、境界、その他の関連情報を含めることができます。これらは、モデルが視覚情報を正確に認識して解釈するためのトレーニングに役立ちます。データラベリングによって、単純な画像の集合が、コンピュータビジョンモデルのトレーニングに使用できる構造化データセットへと変わります。

モデルのトレーニングには高品質なデータが必要です#

データセットの品質を高める要素について疑問に思うかもしれません。正確なラベリング、多様性、一貫性など、多くの要素が関係します。例えば、複数のアノテーターが猫の耳を識別する物体検出データセットにラベルを付ける場合、耳を頭の一部としてラベル付けする人もいれば、独立した耳としてラベル付けする人もいるかもしれません。この不一致によってモデルが混乱し、正しく学習する能力に影響が生じる可能性があります。

理想的なコンピュータビジョンデータセットの特徴を簡単にまとめます。

• 明確なラベル: 各画像に対して、一貫性のある正確なラベルが付けられています。
• 多様なデータ: モデルがさまざまな状況で適切に動作できるよう、異なる物体、背景、照明条件、角度のデータが含まれています。
• 高解像度画像: 鮮明で詳細な画像により、モデルは特徴を学習して認識しやすくなります。

Ultralyticsはさまざまなデータセットをサポートしています#

YOLO11などの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ユーザー向けに、手間のかから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います。そのため、追加のセットアップなしで、物体検出、インスタンスセグメンテーション、ポーズ推定などのタスクを使ったプロジェクトに取り組めます。

トレーニング関数のパラメーターの1つとしてデータセット名を指定するだけで、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。指定するとデータセットが自動的にダウンロードされ、事前設定されるため、モデルの構築と改善に集中できます。

2025年における主要なコンピュータビジョンデータセット5選#

ビジョンAIの進歩は、イノベーションを促進し、画期的な成果を可能にする多様で大規模なデータセットに支えられています。Ultralyticsがサポートし、コンピュータビジョンモデルに影響を与えている重要なデータセットをいくつか見ていきましょう。

ImageNetデータセット#

ImageNetは、2007年にプリンストン大学のFei-Fei Li氏とそのチームによって作成され、2009年に公開された、1,400万枚を超えるラベル付き画像を含む大規模なデータセットです。さまざまな物体を認識して分類するシステムのトレーニングに広く使用されています。構造化された設計により、モデルに画像を正確に分類させるのに特に適しています。十分に文書化されている一方で、主に画像分類に焦点を当てており、物体検出などのタスクに必要な詳細なアノテーションは不足しています。

ImageNetの主な強みをいくつか見てみましょう。

• 多様性: 20,000を超えるカテゴリーにまたがる画像を含み、モデルのトレーニングと汎化性能を高める、広範で多様なデータセットを提供します。
• 構造化された編成: 画像はWordNetの階層を使用して細かく分類されており、効率的なデータ取得と体系的なモデルのトレーニングを可能にします。
• 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役立つ知見とガイダンスを提供します。

ただし、他のデータセットと同様に、制限もあります。考慮すべき課題を以下に示します。

• 計算負荷: 非常に大規模であるため、コンピューティングリソースが限られた小規模チームには課題となる可能性があります。
• 時間的データの不足: 静止画像のみを含むため、動画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対応できない場合があります。
• 古い画像: データセット内には古い画像もあり、現在の物体、スタイル、環境を反映していない可能性があります。そのため、最新のアプリケーションでは関連性が低下する場合があります。

DOTA-v2.0データセット#

DOTA-v2.0データセットは、DOTA（航空画像における物体検出用データセット）が表すとおり、指向性バウンディングボックス（OBB）物体検出専用に作成された、航空画像の大規模な集合です。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、画像内の物体の実際の向きにより正確に合わせます。この手法は、物体がさまざまな角度で現れることの多い航空画像で特に有効であり、より正確な位置特定と全体的な検出性能の向上につながります。

このデータセットは、18種類の物体カテゴリーにわたる11,000枚を超える画像と170万個を超える指向性バウンディングボックスで構成されています。画像のサイズは800×800ピクセルから20,000×20,000ピクセルまであり、飛行機、船、建物などの物体が含まれています。

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：著者。

詳細なアノテーションを備えているため、DOTA-v2.0はリモートセンシングや航空監視プロジェクトで広く利用されています。DOTA-v2.0の主な特徴を以下に示します。

• 多様な物体カテゴリー: 車両、港、貯蔵タンクなど、さまざまな種類の物体をカバーしており、モデルが多様な実世界の物体に触れられるようにします。
• 高品質なアノテーション: 専門のアノテーターが、物体の形状と向きを明確に示す、正確に方向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: 異なるサイズの画像が含まれており、モデルが小さな物体と大きな物体の両方を検出する方法を学習できます。

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もあります。

• 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で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、その後、DOTA-v2.0用の追加画像と更新されたアノテーションを加えて、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、モデルのトレーニング時に追加の処理が必要になる場合があります。
• 対象範囲の限定: DOTA-v2は航空画像向けに設計されているため、この分野以外の一般的な物体検出タスクにはあまり適していません。

Roboflow 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が作成しました。物体検出モデルの性能をテストおよび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を超える公開データセットから選ばれた100種類のデータセットが含まれています。医療、航空画像、ゲームなどの分野から、224,000枚を超える画像と800種類の物体クラスが収録されています。

RF100を使用する主な利点を以下に示します。

• 幅広い分野のカバー: 医用画像、航空画像、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の多様性と分野固有の課題によって、現在のモデルの不足点が明らかになり、より適応性と堅牢性に優れた物体検出ソリューションに向けた研究が促進されます。
• 一貫した画像形式: すべての画像が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せずにモデルをトレーニングできます。

強みがある一方で、RF100には留意すべき欠点もあります。

• 対応タスクの限定: RF100は物体検出向けに設計されているため、セグメンテーションや分類などのタスクには対応できません。
• ベンチマーク中心の用途: RF100は実世界のアプリケーション向けにモデルをトレーニングするよりも、主にベンチマークツールとして設計されています。そのため、結果が実際のデプロイシナリオに完全には反映されない場合があります。
• アノテーションのばらつき: 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リング方法に一貫性がない場合があり、モデルの評価やファインチューニングに影響する可能性があります。

COCO（コンテキスト内の一般物体）データセット#

COCOデータセットは、330,000枚を超える画像と詳細な画像アノテーションを提供する、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つです。物体検出、セグメンテーション、画像キャプション生成向けに設計されており、多くのプロジェクトで有用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詳細なラベルにより、システムは画像を正確に分析する方法を学習できます。

このデータセットは柔軟性に優れ、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、モデルの性能評価を目的とするチャレンジやコンペティションで頻繁に使用されています。

主な強みには、以下のようなものがあります。

• 多様で現実的なデータ: 複数の物体、オクルージョン、さまざまな照明条件を含む、実世界のシナリオの画像が収録されています。
• コミュニティと研究での幅広い採用: 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データセットには豊富なドキュメント、事前トレーニング済みモデル、活発なコミュニティサポートがあります。
• 豊富で詳細なアノテーション: COCOデータセットは、物体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ます。正確な視覚理解を必要とするプロジェクトに最適です。

同時に、以下のような制限要因にも注意が必要です。

• 高い計算要件: 規模と複雑さのため、COCOでモデルをトレーニングするには多大なコンピューティングリソースが必要になる場合があり、ハードウェアが限られたチームには困難です。
• データの不均衡: 物体カテゴリーによっては、他のカテゴリーより画像数が大幅に多く、モデルのトレーニングにバイアスが生じ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有用である一方、構造化されたビジョンAIデータセットの扱いに慣れていない初心者や小規模チームには負担となる場合があります。

Open 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、600種類の物体カテゴリーに対するアノテーション付き画像を900万枚以上収録しています。さまざまな種類のアノテーションが含まれており、複雑なコンピュータビジョンタスクへの取り組みに最適です。その規模と深さにより、コンピュータビジョンモデルのトレーニングとテストのための包括的なリソースとなっています。

図3. Open Images V7データセットの概要。画像：著者。

また、Open Images V7データセットは研究分野で広く利用されているため、ユーザーが学習できるリソースや例が豊富にあります。ただし、その規模が非常に大きいため、特に小規模チームではダウンロードと処理に時間がかかる場合があります。さらに、アノテーションに一貫性がない場合があり、データのクリーンアップに追加の作業が必要になることがあります。統合が常にスムーズに進むとは限らず、追加の準備が必要になる場合もあります。

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に導くための重要な要素です。最適な選択は特定のタスクによって異なります。適切なデータセットを選べば、モデルは必要なスキルを学習しやすくなります。また、ツールと簡単に統合できることも重要です。そうすれば、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ます。

図4. 適切なデータセットを選ぶための要因。画像：著者。

主なポイント#

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基盤であり、システムが画像を正確に解釈する方法を学習するのに役立ちます。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す。モデルが実世界のシナリオで安定して動作できるようになり、限られたデータや低品質なデータによ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利用の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の選択は、高性能なモデルを構築するための重要なステップであり、より正確で大きな効果をもたらす結果につながります。

私たちのコミュニティに参加し、GitHubリポジトリを探索して、AIについてさらに学びましょう。医療分野のコンピュータビジョンや自動運転車における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、今すぐコンピュータビジョンを始めるための第一歩を踏み出しましょう。