データオーギュメンテーションでAIモデルの堅牢性を向上させる

テストは、あらゆる技術的ソリューションを構築する上で不可欠な工程です。システムが実稼働する前に実際の挙動をチームに示し、問題を早期に修正できるようにします。これはAIを含む多くの分野で当てはまることであり、AIモデルは展開後、予測不能な現実世界の状況に対応することが期待されています。

例えば、computer visionは、画像や動画を理解するように機械に学習させるAIの分野です。Ultralytics YOLO26などのコンピュータビジョンモデルは、物体検出、インスタンスセグメンテーション、画像分類などのタスクをサポートします。

これらは、患者モニタリング、交通分析、自動チェックアウト、製造業における品質検査など、多くの業界のアプリケーションで使用されています。しかし、高度なモデルや高品質なトレーニングデータを使用しても、ビジョンAIソリューションは、照明の変化、動き、あるいは部分的に遮蔽された物体といった現実世界のバリエーションに直面すると、苦戦することがあります。

これは、モデルがトレーニング中に与えられたサンプルから学習するためです。まぶしさ（グレア）、モーションブラー、一部が隠れた状態などの条件をあらかじめ学習していない場合、それらのシナリオで物体を正しく認識できる可能性は低くなります。

モデルのロバスト性を向上させる方法の1つに、data augmentationがあります。エンジニアは、大量の新しいデータを収集する代わりに、照明の調整、クロッピング、画像のミキシングなど、既存の画像に対して小さく意味のある変更を加えることができます。これにより、モデルはさまざまな状況で同じオブジェクトを認識できるよう学習します。

この記事では、データ拡張がどのようにモデルの堅牢性を高め、制御された環境外で展開された際のビジョンAIシステムの信頼性を向上させるかを探ります。それでは始めましょう！

モデルの堅牢性の確認方法#

computer vision modelが実際の運用に本当に適しているかどうかを判断する方法について説明する前に、まずデータオーグメンテーションについて詳しく見ていきましょう。

堅牢なモデルとは、きれいで完璧にラベル付けされた画像だけで機能するのではなく、条件が変化しても高いパフォーマンスを維持し続けるモデルです。AIモデルの堅牢性を評価する際に考慮すべき実践的な要素をいくつか挙げます。

• 照明の変化: 明るい場所、暗い場所、グレア、影にさらされるとモデルの挙動が変わる可能性があり、物体の検出信頼性に影響を与えることがあります。
• 部分的遮蔽: 日常のシーンでは、物体が他のアイテムによって遮られたり、一部しか見えなかったりすることがよくあります。堅牢なモデルであれば、視覚情報が欠けていても対象を認識できます。
• 混雑したシーン: 多くの物体が重なり合う環境では、検出がより困難になります。このような状況で高い性能を発揮するモデルは、複雑な設定において通常より信頼性が高くなります。

きれいで完璧に撮影された画像で良い結果が得られたとしても、それが必ずしも現実世界で高いパフォーマンスにつながるとは限りません。多様な条件下での定期的なテストは、モデルが展開後にどの程度維持できるかを示すのに役立ちます。

データ拡張とは何か？#

写真に写る物体の見た目は、照明、角度、距離、背景によって変化します。コンピュータビジョンモデルをトレーニングする際、予測不可能な環境でも機能するように、学習データセットにはこのような変化が含まれている必要があります。

データ拡張は、既存の画像から追加のサンプルを作成することでトレーニングデータセットを拡張します。これは、画像を回転させたり反転させたり、明るさを調整したり、一部を切り取ったりといった意図的な変更を加えることで行われます。

例えば、猫の写真が1枚しかないと想像してください。その画像を回転させたり、明るさを変えたりすることで、単一の写真から複数の新しいバージョンを作成できます。それぞれのバージョンは少しずつ異なりますが、同じ猫の写真であることに変わりはありません。これらの変化は、物体が異なる見え方をしても同じものであることをモデルに教えるのに役立ちます。

図 1. 猫の画像のオーグメンテーションの例 (Source)

データ拡張がモデルのパフォーマンスを向上させる仕組み#

モデルのトレーニング中、データ拡張をトレーニングパイプラインに直接組み込むことができます。手動で画像の新しいコピーを作成して保存する代わりに、各画像がロードされるときにランダムな変換を適用できます。

これは、モデルが毎回、明るくなったり、反転したり、部分的に隠れたりした、わずかに異なるバージョンの画像を見ることを意味します。ランダム消去（random erasing）のような技術では、画像の一部を削除して、物体が遮られたり一部しか見えない現実世界の状況をシミュレートすることも可能です。

図 2. ランダム消去ベースのオーグメンテーションの例 (Source)

同じ画像の多くの異なるバージョンを見ることで、モデルは完璧な1つの例に頼るのではなく、どの特徴が重要かを学習できるようになります。この多様性がAIモデルの堅牢性を構築し、現実世界の条件においてより信頼性の高いパフォーマンスを実現します。

一般的なデータ拡張技術#

トレーニング画像に変化を持たせるために使用されるいくつかのデータ拡張技術を紹介します。

• 幾何学的変換: これらの技術は、画像内での物体の空間的な見え方を変更します。画像の回転、反転、サイズ変更、クロッピング、シフトを行うことで、モデルは異なる角度や距離から物体がどのように見えるかを理解できるようになります。
• 色と照明の調整: 現実世界の照明が一定であることは稀です。環境や使用するカメラによって、画像が明るすぎたり、暗すぎたり、色が少しずれていたりすることがあります。明るさ、コントラスト、色相、彩度を調整することで、モデルはこれらの視覚的変化に対応し、さまざまなシーンで適切に機能できるようになります。
• 画像品質のバリエーション: ぼかしや視覚的なノイズがあると、画像が不鮮明に見えることがあります。トレーニング中にぼかしやノイズを加えることで、モデルはモーションブラー、低照度の画像、あるいは品質の低いカメラ結果に対処できるようになり、不完全な視覚情報に対する感度を下げることができます。
• 遮蔽に基づく拡張: 現実の環境では、物体が他の物体によって部分的に隠れることがよくあります。これは画像の遮蔽と呼ばれます。トレーニング中に画像の一部を隠したりマスクしたりすることで、たとえ一部しか見えていなくても物体を検出できるようにモデルをサポートします。
• マルチ画像拡張: これらの技術は、複数の画像の一部を組み合わせて1つのトレーニング例にするもので、視野内の物体数を増やし、複雑なシーンや混雑したシーンを処理するモデルの能力を向上させることができます。

図 3. 複数画像のオーグメンテーションの例 (Source)

Ultralytics Pythonパッケージによる簡単なデータ拡張#

データセットの管理、画像のバリエーションの作成、変換コードの記述は、コンピュータビジョンアプリケーションの構築において追加のステップとなる場合があります。Ultralytics Python packageは、YOLO26のようなUltralytics YOLOモデルのトレーニング、実行、デプロイのための単一のインターフェースを提供することで、これをシンプルにします。トレーニングワークフローを効率化するこの取り組みの一環として、パッケージには、YOLOモデル用に最適化された、Ultralyticsによってテスト済みの組み込みデータオーグメンテーションが含まれています。

また、個別のツールやカスタムコードの必要性をなくす便利な統合もサポートしています。具体的には、データオーグメンテーションに関して、このパッケージは広く使用されている画像オーグメンテーションライブラリであるAlbumentationsと統合されています。この統合により、追加のスクリプトやカスタムコードを必要とせず、トレーニング中にオーグメンテーションを自動的に適用することができます。

アノテーションと拡張データセットの管理#

モデルのロバスト性に影響を与えるもう1つの要因は、annotationの品質です。Roboflowなどのアノテーションツールを使用して作成および管理される、クリーンで正確なラベルは、モデルがオブジェクトの位置とその外観を理解するのに役立ちます。

トレーニング中、反転、クロップ、回転といったデータ拡張は動的に適用され、アノテーションもこれらの変更に合わせて自動的に調整されます。ラベルが正確であれば、このプロセスはスムーズに機能し、モデルに同じシーンの多くの現実的な例を提供します。

もしアノテーションが不正確だったり一貫性がなかったりすると、それらのエラーが拡張された画像全体に繰り返され、トレーニングの効率が低下する可能性があります。最初から正確なアノテーションを用いることで、こうしたエラーの拡散を防ぎ、モデルの堅牢性向上に寄与します。

データ拡張によるビジョンAIアプリケーションの強化#

次に、データ拡張が現実世界のアプリケーションでAIモデルの堅牢性にどのように貢献するかの例を見ていきましょう。

現実環境における物体検出精度の向上#

合成画像は、実際のデータが限られている、機密性が高い、または収集が困難な場合に、object detectionシステムをトレーニングするためによく使用されます。これにより、チームは現実世界のすべてのシナリオをキャプチャすることなく、製品、環境、カメラアングルの例を素早く生成できます。

しかし、合成データセットは、照明の変化、物体の重なり、背景の乱雑さを含む現実世界の映像と比較すると、クリーンすぎることがあります。データ拡張は、照明、ノイズ、物体の配置などの現実的なバリエーションを導入することで、このギャップを埋める役割を果たします。これにより、モデルは展開時に遭遇するような条件に対応できるようになります。

例えば、最近の調査では、Ultralytics YOLO11モデルが完全にsynthetic imagesで学習され、追加のバリエーションを取り入れるためにデータ拡張が加えられました。これにより、モデルがオブジェクトをより広範に認識することを学習する上で役割を果たしました。学習中に実世界のデータを見たことがなかったにもかかわらず、実際の画像でテストされた際には良好なパフォーマンスを発揮しました。

医療画像ソリューションの信頼性向上#

医療画像データセットは限られていることが多く、スキャン自体も機器の種類、画像設定、臨床環境によって異なります。患者の解剖学的構造、角度、照明、視覚的ノイズの差は、コンピュータビジョンモデルが患者や病院間で汎用性の高いパターンを学習することを困難にする可能性があります。

データ拡張は、トレーニング中に同じスキャンの複数のバリエーション（ノイズの追加、画像のわずかなシフト、小さな歪みの適用など）を作成することで、これに対処します。これらの変更により、トレーニングデータが実際の臨床状況をより適切に表現したものになります。

一例として、pediatric imagingの研究において、研究者たちは解剖学的セグメンテーションにUltralytics YOLO11を使用し、拡張された医療データで学習を行いました。画像をよりリアルにするために、ノイズの追加、わずかな位置のシフト、小さな歪みなどのバリエーションが導入されました。

図 4. 元の小児医療画像と拡張された小児医療画像 (Source)

これらの変化から学習することで、モデルは表面的な違いではなく、意味のある解剖学的特徴に焦点を当てることができました。これにより、異なるスキャンや症例全体でセグメンテーションの結果がより安定しました。

重要なポイント#

多様なデータを収集するのは困難ですが、データ拡張により、モデルはより幅広い視覚的条件下で学習することが可能になります。これは、遮蔽、照明の変化、混雑したシーンを扱う際のモデルの堅牢性を強化します。全体として、これは制御されたトレーニング環境外でもより確実に機能する助けとなります。

our communityに参加し、GitHub repositoryでビジョンAIの最新情報をご確認ください。ソリューションページにアクセスして、AI in manufacturingやcomputer vision in healthcareなどのアプリケーションがどのように進歩を推進しているかを確認し、licensing optionsを確認して次のAIソリューションを強化してください。