Gemini 4 ArgonがUltralytics Platformの自動アノテーションで利用可能になりました

データラベリングは、現在も多くのコンピュータービジョンプロジェクトで最も時間のかかる工程です。自動アノテーションでは、モデルがバウンディングボックスの下書きを作成するため、チームはすべてのオブジェクトを手作業で囲む代わりに、確認と修正に集中でき、作業を効率化できます。ただし、下書きの有用性は、それを生成するモデルの性能に左右されます。

本日、Gemini 4 ArgonがUltralytics Platformで自動アノテーションに利用できるようになりました。Ultralytics Platformのクラスプロンプト型自動アノテーションモデル全26種を対象にしたベンチマークでは、GPT-6.1 Sol、GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1などと比較して、Gemini 4 Argonが大差をつけて最も高い精度を達成しました。

新機能：自動アノテーション向けGemini 4 Argon#

Gemini 4 Argonが、クラスプロンプト型のビジョン言語モデルとしてUltralytics Platformのアノテーションエディターに加わりました。1–200クラスの物体検出データセットでは、各画像を確認し、データセットに設定されたクラスに属する検出済みインスタンスのボックスを返し、返されたボックスをほかの予測と同様に確認して保存できます。

次の2つの方法で使用できます。

• 画像を1枚ずつ処理する場合：アノテーションエディターでSmartモードに切り替え、モデル選択メニューのGoogleからgemini-4-argonを選択し、Predictをクリックするか、Pを押します。
• データセット全体を処理する場合：データセットページでMore actions > Batch AnnotationからBatch Annotationを実行すると、未ラベルの画像すべてに一度の実行でラベルを付けられます。

Gemini 4 Argonは、SAM 3.1のポイントプロンプトから独自にファインチューニングしたUltralytics YOLOモデルまで、Ultralytics Platformのほかの自動アノテーション機能と並んで利用できます。全体像については、Ultralytics PlatformがAIを活用してアノテーションを自動化する方法をご覧ください。

自動アノテーションモデル26種のベンチマーク方法#

日常の写真に写るほぼすべてのオブジェクトを検出できるモデルでも、医療スキャン画像や回路基板では大半を見落とすことがあります。そこで、日常の写真だけでなく、Ultralyticsが評価に使用する実環境のベンチマークデータセット群であるUL37から、36個の検出データセットを選んでテストしました。これらのデータセットには、医用画像、航空・衛星画像、PCB検査、セキュリティ用X線画像、小売店の棚、交通、スポーツ、水中シーン、サーマル映像などが含まれます。

各データセットから3枚ずつ、計108枚のラベル付き画像を、アノテーションエディターと同じ検出コードを使って、Ultralytics Platformのすべてのクラスプロンプト型モデルに入力しました。各データセットの全クラスリストを指定し、返されたボックスを正解データと照合してmAP50で評価しました。各プロバイダーはデフォルトの推論設定で実行し、再実行によるスコアの変動は約0.005 mAP50にとどまりました。

Gemini 4 ArgonとGPT-6.1 Sol、Claude Opus 5.5、GPT-6 Astraの比較#

Gemini 4 Argonは0.565 mAP50を達成し、GPT-6.1 Sol（0.491）、Gemini 3.8 Flash（0.489）、Claude Opus 5.5（0.476）、GPT-6 Astra（0.470）を大きく上回りました。すべてのリクエストを処理し、画像1枚あたりの処理時間は中央値で約5秒でした。

優位性は、長く推論したことによるものではありません。デフォルトの思考レベルで、Gemini 4 Argonが画像1枚あたりに使用した出力トークン数は中央値で約150でした。これはClaude Opus 5.5とほぼ同じで、GPT-6.1 SolやGemini 3.8 Flashを大きく下回ります。

精度とコスト：Gemini 4 Argon、Claude Haiku 5.5、プレミアムモデル#

有料モデルは独自のプロバイダーAPIキーで実行するため、予測ごとにプロバイダーから直接請求されます。2026年11月30日まで適用されるGoogleのローンチ価格では、ベンチマークでGemini 4 Argonの料金は画像1,000枚あたり約7.60ドルでした。それ以降は、同じ利用量で画像1,000枚あたり約15ドルとなり、料金が2倍になります。

プレミアムモデルは料金が高い一方で、スコアは高くありません。GPT-6 AstraとClaude Fable 5.1は画像1,000枚あたり約47ドル、約37ドルで、スコアはそれぞれ0.470、0.372でした。最高精度よりもコストを重視する場合、Claude Haiku 5.5（約0.35ドル／画像1,000枚で0.384 mAP50）とGemini 3.5 Flash-Lite（約1.36ドルで0.363）が、低コストモデルの中で最も高い精度を達成しました。プロバイダーキーを使わない場合は、Ultralytics Platform上でホストされているQwen3.8 27Bが最も高精度なモデルでした。

実環境の12分野におけるGemini 4 Argon#

Gemini 4 Argonは12分野中11分野で全26モデルの平均を上回り、水中画像では同率でした。特に道路・交通（0.59対0.17）と航空画像（0.65対0.30）で大きく差をつけ、医用画像では平均の2倍のスコア（0.57対0.28）を達成しました。

専門性の高い画像は、どのモデルにとっても依然として難しい課題です。工業用PCB画像とセキュリティ用X線画像では、Gemini 4 ArgonでもmAP50は0.2未満でした。ボックスは人間参加型のレビュー用の初稿として扱い、データセット全体にアノテーションする前に、独自の画像でいくつかの予測結果を確認してください。

Ultralytics PlatformでGemini 4 Argonを使い始める#

1. データセットを所有するワークスペースのSettings > API KeysでGoogle APIキーを追加するか、ワークスペースのオーナーに追加を依頼してください（手順はこちら）。
2. Ultralytics Platformで検出データセットを開き、アノテーションエディターをSmartモードに切り替え、Googleからgemini-4-argonを選択します。
3. Predictをクリックして現在の画像にラベルを付け、ボックスを確認、調整して保存します。
4. 結果に問題がなければ、Batch Annotationを実行してデータセットの残りの画像にラベルを付けます。

Batch Annotationには、Ultralytics Platformの標準処理料金として画像1,000枚あたり1.00ドルがかかります。この料金はGoogleからAPIキーに対して請求される料金とは別です。各実行の前にデータセットのバージョンが保存されるため、いつでも元に戻せます。

データセットにラベルを付けたら、同じワークスペースでUltralytics YOLO26モデルをトレーニングできます（トレーニングドキュメントをご覧ください）。アノテーションツールを比較する場合は、おすすめの画像アノテーションプラットフォームと自動ラベリングおよびアクティブラーニングツールのガイドをご覧ください。その後、Ultralytics Platformにサインインして、独自のデータでGemini 4 Argonをお試しください。