2025年の優れたコンピュータビジョンデータセットを探る

データが日々のほぼすべての行動に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の確認は、750億台を超える接続デバイスによって収集さ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ービジョンモデルは、視覚データを使っ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。重要なのは、データがどれだけ適切に整理され、準備されているかです。データセットが乱雑だったり不完全だったりすると、誤り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、人混みの中のオブジェクト認識から複雑な映像の分析まで、コンピュータービジョンモデルのパフォーマンス向上に役立ちます。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年の優れたコンピュータービジョンデータセットを紹介し、より高精度で効率的なコンピュータービジョンモデルの構築にどのように役立つかを見ていきます。

コンピュータービジョンデータセットとは何ですか？#

コンピュータービジョンデータセットとは、コンピュータービジョンシステムが視覚情報の理解と認識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ラベルやアノテーションが付与されており、モデルがデータ内の物体、人、シーン、パターンを認識するのに役立ちます。

コンピューター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向上に役立ちます。データセットの整理、多様性、正確性が高いほど、ビジョンAIモデルの性能は向上し、日常生活でよりスマートで有用なテクノロジーにつながります。

コンピュータービジョンデータセットの構築方法#

コンピュータービジョンデータセットの構築は、世界の見方や理解の仕方を誰かに教えるための学習ノートを準備するようなものです。開発中の特定のアプリケーションに合った画像や動画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、対象となる物体をさまざまな角度や照明条件、複数の背景や環境で撮影した多様な例が含まれます。この多様性により、コンピュータービジョンモデルはパターンを正確に認識し、実環境のシナリオでも安定して動作できるようになります。

図1. 理想的なビジョンデータセットの構築（著者作成の画像）。

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が各画像や動画の内容を理解できるよう、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。これらの情報は、モデルが視覚情報を正確に認識して解釈できるようにトレーニングするのに役立ちます。データラベリングによって、単純な画像の集合が、コンピューター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に変わります。

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が気になるかもしれません。正確なラベリング、多様性、一貫性など、さまざまな要素があります。たとえば、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ラベリングする場合、ある人は頭の一部としてラベル付けし、別の人は独立した耳としてラベル付けするかもしれません。この不一致はモデルを混乱させ、正しく学習する能力に影響を与える可能性があります。

理想的なコンピュータービジョンデータセットの特性を簡単に紹介します。

• 明確なラベル：各画像に、一貫性と正確性のあるラベルが付与されています。
• 多様なデータ：さまざまな状況でモデルが適切に動作できるよう、異なる物体、背景、照明条件、角度がデータセットに含まれています。
• 高解像度画像：鮮明で詳細な画像は、モデルが特徴を学習して認識しやすくします。

Ultralyticsはさまざまなデータセットに対応しています#

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を扱えるように設計されています。独自のデータをこの形式に変換するのも簡単ですが、すぐに試したい方のために、より簡単な方法も用意しています。

Ultralytics Pythonパッケージは幅広いコンピュータービジョンデータセットに対応しているため、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、姿勢推定などのタスクを使ったプロジェクトをすぐに始められます。

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と、COCO、DOTA（v1.0およびv1.5）、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、モデルの構築や改良に専念できます。

2025年のおすすめコンピューター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、ブレークスルーを可能にする、多様で大規模なデータセットに支えられています。Ultralyticsがサポートする、コンピューター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。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。体系的に構成されているため、モデルに画像を正確に分類させる学習に特に役立ちます。詳細なドキュメントが整備されていますが、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いきましょう。

• 多様性: 20,000を超えるカテゴリにわたる画像を含むImageNetは、膨大で多様なデータセットを提供し、モデルのトレーニングと汎化性能を高めます。
• 体系的な構成: 画像はWordNetの階層に基づい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：豊富な研究資料と長年にわたる研究成果により、ImageNetは初心者から専門家まで利用でき、コンピュータービジョンプロジェクトに役立つ知見やガイダンスを提供します。

ただし、ほかのデータセットと同様に、いくつかの制約があります。考慮すべき課題を以下に示します。

• 計算リソースの要件: データセットの規模が非常に大きいため、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には適さない場合があります。
• 画像の古さ: データセット内の画像には古いものもあり、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の有用性が低下することがあります。

DOTA-v2.0データセット#

DOTA-v2.0データセットは、DOTAが「航空画像における物体検出用データセット」を意味し、特に回転バウンディングボックス（OBB）による物体検出向けに作成された、航空画像の大規模なコレクションです。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映ることの多い航空画像に特に適しており、位置特定の精度向上と検出全体の改善につながります。

このデータセットには、18種類の物体カテゴリにわたる11,000枚以上の画像と170万個以上の回転バウンディングボックスが含まれています。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、船舶、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。画像提供：著者。

詳細なアノテーションを備えていることから、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人気の高い選択肢となっています。DOTA-v2.0の主な特徴をいくつか紹介します。

• 多様な物体カテゴリ: 車両、港湾、貯蔵タンクなど、さまざまな種類の物体を網羅しているため、モデルは実世界に存在する多様な物体に触れることができます。
• 高品質なアノテーション: 専門のアノテーターが、物体の形状や向きを明確に示す、正確な回転バウンディングボックスを付与しています。
• 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、小さな物体と大きな物体の両方を検出する方法をモデルが学習するのに役立ちます。

DOTA-v2.0には多くの強みがありますが、利用者が留意すべき制約もあります。

• 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: 回転バウンディングボックスは、モデルのトレーニング時に扱うための追加作業が必要になる場合があります。
• 用途の限定: DOTA-v2は航空画像向けに設計されているため、この領域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テストやベンチマークに使用できます。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、ゲームなどの分野にわたる、224,000枚以上の画像と800種類の物体クラスを収録しています。

RF100を利用する主なメリットをいくつか紹介します。

• 幅広い分野を網羅: 医療画像、航空画像、水中探査など、7つの分野のデータセットを含んでいます。
• モデルの改善を促進: RF100に含まれる変動性や分野固有の課題によって、現行モデルの弱点が明らかになり、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。
• 統一された画像フォーマット: すべての画像が640x640ピクセルにリサイズされています。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。

• 対応タスクの制限: 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設計: 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、評価結果が実運用のシナリオにそのまま当てはまるとは限りません。
• 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ル付けの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（文脈における一般的な物体）データセット#

COCOデータセットは、最も広く使われているコンピュータービジョンデータセットの一つで、詳細な画像アノテーションが付与された33万枚以上の画像を提供しています。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、さまざまなプロジェクトで役立つリソースです。バウンディングボックスやセグメンテーションマスクなどの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ており、簡単なものから複雑なものまで、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、モデルの性能を評価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。

主な強みは次のとおりです。

• 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、実世界のシナリオから収集された画像を含んでいます。
• 活発なコミュニティと研究での利用: 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データセットには充実したドキュメント、事前学習済みモデル、活発なコミュニティによる支援があります。
• 豊富で詳細なアノテーション：COCOデータセットには、オブジェクト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が用意されており、正確な視覚理解を必要とするプロジェクトに最適です。

留意すべき制約もいくつかあります。

• 高い計算リソース要件: 規模と複雑さから、COCOを使ったモデルのトレーニングには多くの計算リソースが必要となる場合があり、ハードウェアが限られたチームには難しいことがあります。
• データの不均衡: ほかのカテゴリよりも画像数が大幅に多い物体カテゴリがあり、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: 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データセットの取り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に対するアノテーションが付与された900万枚以上の画像を収録しています。さまざまな種類のアノテーションを含み、複雑なコンピュータービジョンタスクへの取り組みに最適です。その規模と内容の充実度から、コンピュータービジョンモデルのトレーニングやテストに包括的なリソースを提供します。

図3. Open Images V7データセットの一例。画像提供：著者。

また、研究分野でOpen Images V7データセットが広く利用されているため、学習に役立つリソースや事例が豊富にあります。ただし、データセットの規模が非常に大きく、特に小規模チームではダウンロードや処理に時間がかかる場合があります。アノテーションに一貫性がない場合もあり、データのクリーニングに追加の作業が必要です。また、統合が常にスムーズに行えるとは限らず、追加の準備が必要になることがあります。

適切なデータセットの選び方#

適切なデータセットを選ぶことは、コンピュータービジョンプロジェクトを成功させるための重要な要素です。最適な選択肢は具体的なタスクによって異なります。適切なデータセットを選ぶことで、モデルに必要なスキルを学習させやすくなります。また、使用するツールと簡単に統合できれば、トラブルシューティングに費やす時間を減らし、モデルの構築により集中できます。

図4. 適切なデータセットを選ぶための要因。画像提供：著者。

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ービジョンモデルの基盤となり、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し、限られたデータや品質の低いデータによるエラーを減らせるためです。

Ultralyticsは、コンピュータービジョンデータセットへのアクセスと活用を簡素化し、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うえで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。

コミュニティに参加し、GitHubリポジトリを確認して、AIについて詳しく学びましょう。医療分野のコンピューター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、ソリューションのページをご覧ください。ライセンスオプションを確認し、コンピュータービジョンを始めるための第一歩を踏み出しましょう。