Ultralytics Platformによる画像アノテーションの効率化

Ultralyticsは最近、コンピュータービジョン開発のライフサイクル全体をサポートする環境であるUltralytics Platformを導入しました。このプラットフォームは、データセットの準備、画像や動画のアノテーション、モデルのトレーニング、デプロイなど、ビジョンAIワークフローのさまざまな段階を管理するためのツールを一元化します。

自動運転や医療などの業界で導入が進んでいる一方で、コンピュータービジョンソリューションの構築は、依然として分断されたプロセスと見なされることがあります。主な理由の一つは、コンピュータービジョンモデルが、トレーニングに使用するデータの品質に大きく依存することです。トレーニングを開始する前に、モデルが検出または認識すべき対象を学習できるよう、データセットを作成、整理、レビュー、ラベル付けする必要があります。

ビジュアルデータを扱う場合、このプロセスはデータアノテーション、または画像アノテーションと呼ばれます。画像アノテーションでは、画像内の特定の部分に印を付け、トレーニング中にモデルを導くラベルを割り当てます。

たとえば、画像内の犬を検出することが目的であれば、アノテーターは各犬の周囲にバウンディングボックスを描き、犬がどこにいるかを示します。より詳細なタスクでは、セグメンテーションマスクを使って犬の形状を輪郭化したり、姿勢を捉えるためにキーポイントを付けたりします。これらのラベル付きの例は、モデルをデプロイした後の性能に直接影響します。

画像アノテーションのワークフローを大規模に管理することは、困難な場合があります。大規模なデータセットでは、一貫したラベル付け基準、複数のアノテーター間のコラボレーション、アノテーションのレビューと改善を容易にするツールが必要になることが多いためです。

Ultralytics Platformは、組み込みのアノテーションエディターによって、これらを一つにまとめます。複数のアノテーションタスクタイプをサポートし、単一のワークフロー内でデータのラベル付けとコンピュータービジョンデータセットの準備をより簡単に行える方法をチームに提供します。

図1. Ultralytics Platformのアノテーションエディター (出典)

この記事では、Ultralytics Platformのアノテーションエディターが、チームによるデータセットの効率的なアノテーションをどのように支援し、データ準備を効率化するかを説明します。さっそく始めましょう。

コンピュータービジョンにおけるデータアノテーション#

Ultralytics Platformで利用できる画像アノテーションツールを詳しく見る前に、データアノテーションとは何か、またコンピュータービジョンシステムの構築でなぜ重要なのかを理解するために、いったん基本に立ち返りましょう。

コンピュータービジョンモデルは、データセットと呼ばれる大量の画像や動画のコレクションを分析して学習します。しかし、未加工の画像だけでは、モデルが何を検出または認識すべきかを理解するための情報が十分ではありません。トレーニングにデータを役立てるには、データラベリングによって画像にラベルを付け、モデルが探すべき物体、形状、パターンを学習できるようにする必要があります。

画像アノテーションでは、画像内の特定の要素に印を付け、モデルが学習すべき内容を説明するラベルを割り当てます。これらのラベル付きの例は、トレーニング中にディープラーニングモデルとアルゴリズムを導き、新しい画像を処理する際に類似したパターンを認識できるよう支援します。

コンピュータービジョンのタスクごとに、用途やユースケースに応じて異なる種類の画像アノテーションが必要です。たとえば、物体検出では物体の周囲にバウンディングボックスを描き、セマンティックセグメンテーションでは画像内の領域の輪郭を描き、姿勢推定ではキーポイントを定義し、分類では画像全体にラベルを割り当てます。

データの管理と準備#

コンピュータービジョンプロジェクト向けのデータ準備では、多くの場合、さまざまなファイル形式を扱い、データセットを整理します。また、機械学習アルゴリズムのアノテーションとトレーニングに必要な準備がすべて整っていることを確認します。多くのワークフローでは、このプロセスが複数のツールに分散しており、データを使用できるようになるまでに、アップロード、クリーンアップ、システム間の移動が必要です。

Ultralytics Platformは、データ準備、モデルのトレーニング、デプロイを単一の環境内で処理することで、このプロセスを簡素化します。チームは画像、動画、データセットアーカイブをアップロードし、手動アノテーションまたはAIによる自動アノテーションを使って、データ準備方法を完全にカスタマイズできます。Ultralytics Platformは未加工データとYOLOやCOCOなどの標準形式の両方をサポートしているため、新しいプロジェクトを簡単に開始できます。また、プラットフォーム上の既存のデータセットにもアクセスでき、アノテーション済みのデータセットを使って新しいプロジェクトや実験をすぐに開始できます。

図2. Ultralytics Platformで単一の環境からデータセットをアップロードおよび管理します。(出典)

データを利用できるようになると、プラットフォーム上で直接管理できます。開発者は画像をレビューし、アノテーションの進捗を監視し、組み込みの可視化機能を使ってデータセットの分布を把握し、潜在的な不足を特定できます。

このプラットフォームはデータセットのバージョン管理にも対応しており、データの変化に応じてスナップショットを取得できます。これにより、変更の追跡、実験の比較、トレーニング中の一貫性の維持が容易になります。

データの準備が整ったら、チームは画像のアノテーションに進み、モデルが検出対象を学習できるようにラベルを付けます。

Ultralytics Platformでのデータセットのアノテーション#

データをアップロードしたら、次のステップはアノテーションです。ここで画像データにラベルを付け、コンピュータービジョンモデルをトレーニングするための基盤を築きます。Ultralytics Platformには、同じ環境内でデータセットのラベル付けと管理を可能にするアノテーションエディターを通じて、組み込みの画像アノテーションサービスが含まれています。

アノテーションエディターはシンプルなワークスペースとして表示され、ユーザーは画像をレビューし、ラベルを追加し、必要に応じてアノテーションを更新できます。すべてが一か所に整理されているため、データセットの一貫性を保ち、データトレーニングに備えることが容易になります。

チームはデータセットをアップロードし、ブラウザー上で直接画像のラベル付けを開始できます。また、アノテーションクラスを定義・管理して、データセット全体でラベルの一貫性を保てます。アノテーションの作成中、ユーザーはエディターで内容を視覚的にレビューできるため、モデルのトレーニングに進む前に精度を確認しやすくなります。

Ultralytics Platformの画像アノテーションツール#

Ultralytics Platformには、効率的なデータセットのラベル付けワークフローを支援する複数の機能も含まれており、高度なアルゴリズムによってアノテーションプロセスを簡素化します。

Ultralytics Platformで利用できる主な機能は次のとおりです。

• 手動アノテーション: 画像上でバウンディングボックス、セグメンテーション領域、キーポイントなどの画像アノテーションを作成する際に、ユーザーが完全な制御と柔軟性を得られる方法です。
• AI支援ラベリング: 手動でのラベル付けの必要性を減らし、アノテーション候補を自動的に生成する機能です。SAM（何でもセグメントするモデル）を使用して、ワンクリックで物体や領域を検出します。これによりアノテーションプロセスが効率化され、ユーザーは候補をデータセットに追加する前にレビューして確認できます。
• アノテーション編集: 作成後の画像アノテーションは、いつでも変更または改善できます。これにより、ラベル付けの誤りを修正し、アノテーションプロセス全体でデータセットのラベルの一貫性を維持できます。
• クラス管理: チームや個人の開発者は、データセットのラベル付けに使用するアノテーションクラスを定義・整理できます。これにより画像間でラベルの一貫性を保てるため、クラスを正確に認識して区別できるモデルのトレーニングに役立ちます。

手動ツール、人工知能、自動化を組み合わせることで、Ultralytics Platformはユーザーによる画像アノテーションをより効率的にします。また、スケーラブルなコンピュータービジョンモデル向けに、高品質なトレーニングデータを準備できます。

サポートされているアノテーションタスクの種類#

製品の品質保証など、さまざまなユースケースでは、画像や動画内で何を検出する必要があるかに応じて異なる種類のアノテーションが必要です。前述のとおり、Ultralytics Platformは5種類の物体検出タスクをサポートしており、それぞれに固有のアノテーション方法があります。

プラットフォームでサポートされているアノテーションタスクと、それらをデータセットのラベル付けに使用する方法を詳しく見ていきましょう。

物体検出#

物体検出は、画像内の物体を識別して位置を特定します。アノテーターは対象となる各物体にバウンディングボックスを付け、画像内での位置を示します。

アノテーションエディターでは、バウンディングボックスツールを使用してこれを行います。ユーザーは「編集モード」に入り、クリックしてドラッグすることで物体の周囲に長方形を描き、ドロップダウンメニューからクラスラベルを割り当てます。

作成後のバウンディングボックスは調整できます。アノテーターは、角または辺のハンドルをドラッグしてサイズを変更したり、ボックスの中央をドラッグして移動したり、キーボードショートカットで削除したりできます。これらのアノテーションは、さまざまなシーンや条件における物体の検出をビジョンモデルが学習するのに役立ちます。

図3. Ultralytics Platformでのバウンディングボックスを使用した物体検出アノテーション。(出典)

インスタンスセグメンテーション#

インスタンスセグメンテーションは、画像内の物体の正確な形状を定義することで、より詳細なアノテーションを提供します。単純なボックスを描く代わりに、アノテーターはポリゴンアノテーションを使って物体の境界をなぞり、画像セグメンテーションタスク向けの精密なマスクを作成します。

アノテーションエディターには、このタスク用のポリゴンツールが含まれています。アノテーターは物体の端に沿って複数の頂点を配置し、形状の輪郭を描きます。頂点を配置したら、ポリゴンを閉じてセグメンテーションマスクを作成できます。

ポリゴンの作成後も頂点を調整できます。個々の点を移動して物体の境界を改善したり、必要に応じて頂点を削除したりできます。これらのピクセルレベルのアノテーションは、詳細な視覚構造をモデルが学習し、近接して現れる物体を区別するのに役立ちます。

姿勢推定#

姿勢推定のアノテーションは、身体の関節の位置と相互の関係を捉えます。これにより、画像内の人や動物の構造と動きをモデルが理解できるようになります。

キーポイントツールを使用して、アノテーターは肩、肘、手首、腰、膝、足首などの身体の関節を表すキーポイントを配置します。プラットフォームは、17点のCOCO人間姿勢形式に加えて、手、顔、犬、ボックスの角用テンプレートなど、複数の組み込みスケルトンテンプレートをサポートしています。

テンプレートを使うと、ワンクリックで完全なスケルトンレイアウトを配置できます。その後、個々のキーポイントを調整して画像内の姿勢に合わせられます。各キーポイントには、可視か遮蔽されているかを示す可視性フラグを含めることもできます。

図4. キーポイントとスケルトンテンプレートを使用した姿勢推定アノテーション。(出典)

回転バウンディングボックス（OBB）#

回転バウンディングボックスは、回転に対応することで従来のバウンディングボックスをさらに発展させたものです。物体が画像フレームに沿って整列せず、角度を付けて現れる場合に役立つアノテーションです。

アノテーションエディターでは、アノテーターは回転バウンディングボックスツールを使用して、物体の周囲に回転した長方形を描けます。最初のボックスを描いた後、回転ハンドルで角度を調整し、角のハンドルでボックスのサイズを変更できます。

回転アノテーションは、航空画像、産業検査データセット、その他の物体が斜めに、または異なる視点から現れるシナリオでよく使用されます。

図5. 航空画像内の回転した物体に対する回転バウンディングボックス（OBB）アノテーション。(出典)

画像分類#

画像分類は、画像内の個々の物体に印を付けるのではなく、画像全体にラベルを割り当てます。

分類データセット向けに、アノテーションエディターはクラスセレクターパネルを提供します。アノテーターは、サイドバーからクラスを選択するか、キーボードショートカットを使用して画像にラベルを割り当て、より高速にラベル付けできます。

これらの画像レベルのラベルにより、異なるカテゴリーを表す高レベルの視覚パターンをモデルが学習できます。

SAMによるAI支援アノテーション#

セグメンテーションなどのタスク向けの画像ラベリングでは、特に物体の輪郭を正確に描く必要がある場合、慎重で詳細な作業が必要になることがあります。Ultralytics Platformには、アノテーションの精度とレビューのしやすさを保ちながら、プロセスを高速化するAI支援アノテーションツールが含まれています。

たとえば、アノテーターはアノテーションに含めたい物体の部分をクリックして、画像と対話できます。また、結果を改善するために除外する領域を指定することもできます。これらの入力に基づき、モデルはリアルタイムでセグメンテーションマスクを生成し、保存前にレビューして調整できます。

この方法により、細部をすべて手動でトレースすることなく、複雑な画像を処理しやすくなります。同時に、アノテーターは最終出力を引き続き管理できるため、データセット全体でアノテーションの一貫性を維持できます。

図6. Ultralytics PlatformのSmartアノテーションツールを使用したAI支援セグメンテーション。(出典)

これらの機能は、何でもセグメントするモデル（SAM）によって強化されています。これらのモデルは、最小限の入力から高品質なセグメンテーションを生成するよう設計された、オープンソースのコンピュータービジョンツール群の幅広いエコシステムの一部です。プラットフォームはSAM 2.1やSAM 3など、複数のSAMバリアントをサポートしています。これにより、チームはニーズに応じて、より高速なパフォーマンスとより詳細な結果のどちらを優先するかを柔軟に選択できます。

これらのAI支援ツールは、物体検出、インスタンスセグメンテーション、回転バウンディングボックス検出などのタスクに適用できます。つまり、信頼性の高いモデルのトレーニングに必要な品質を維持しながら、大規模なデータセットをより効率的に処理できます。

組み込みツールによるアノテーションワークフローの改善#

アノテーション作業が進むにつれて、ラベルを再調整したり、誤りを修正したり、画像をより詳しくレビューしたりすることがよくあります。Ultralyticsのアノテーションエディターには、こうした日常的な作業を簡単かつ短時間で処理できる組み込みツールが含まれています。

エディターで利用できるワークフロー機能には、次のようなものがあります。

• キーボードショートカット: アノテーションの保存、変更の取り消しややり直し、ラベルの削除、アノテーション中のクラス選択など、一般的な操作を高速化するショートカットがエディターに含まれています。
• 取り消しとやり直しの履歴: アノテーターは、編集セッション中に行った変更を簡単に元に戻したり復元したりできます。これにより、チームはアノテーションを試しながら、進捗を失うことなく誤りをすばやく修正でき、データセット準備中の品質管理を向上させられます。
• 柔軟なアノテーション編集: アノテーションは作成後でも調整できます。特に不規則な形状の物体を改善する場合、ユーザーは必要に応じて図形のサイズ変更、アノテーションの移動、回転バウンディングボックスの回転、クラスラベルの更新を行えます。
• 可視性コントロール: エディターには、アノテーションとクラスラベルを表示または非表示にできる可視性切り替え機能があり、ラベル付け中の画像検査を容易にします。
• 高精度ツール: ズームやピクセル座標付きの十字カーソルなどの機能により、詳細な画像を扱う際にアノテーターがより正確にラベルを配置できます。

Ultralytics Platformでのアノテーションクラスの管理#

明確で一貫したアノテーションクラスは、信頼性の高いコンピュータービジョンデータセットを構築するうえで重要な役割を果たします。プロジェクトが成長すると、特に複数のアノテーターが関与する場合、大規模なデータセット全体でデータラベリングを管理することが難しくなることがあります。クラスを適切に整理しておくと、アノテーションの一貫性を保ち、モデルが構造化されたデータから学習できるようになります。

Ultralytics Platformは、クラス管理をアノテーションエディターに直接組み込むことで、このプロセスを簡素化します。ラベルを別々に管理する代わりに、チームは画像の作業中にクラスを作成、更新、レビューできるため、アノテーションワークフロー全体で一貫性を保ちやすくなります。

エディターでは、すべてのクラスがアノテーションキャンバスの横にあるサイドバーで利用できます。これにより、アノテーション中に正しいラベルを簡単に選択し、データセット全体でクラスがどのように使用されているかを追跡できます。ユーザーは既存のクラスを検索したり、ワークフローを中断せずに必要に応じて新しいクラスを作成したりできます。

クラスの詳細はいつでも更新できます。名前は直接編集でき、色を割り当ててアノテーション間で異なるクラスを識別しやすくすることもできます。エディターには各クラスに関連付けられたアノテーション数も表示され、レビューもできるため、チームは一貫性と精度を確認できます。

すべてのクラスは一元化されたテーブルで管理され、並べ替え、検索、更新を行えます。ここで行った変更はデータセット全体に自動的に適用されるため、アノテーションプロジェクトの規模が拡大してもチームは一貫性を維持できます。

図7. アノテーションエディターのクラス管理で、ラベルの整理と色のカスタマイズを確認できます。(出典)

アノテーションの品質が実環境での性能に与える影響#

コンピュータービジョンシステムが開発段階から実環境での利用へ移行するにつれて、アノテーション済みデータの品質がモデルの性能に重要な役割を果たします。適切にラベル付けされたデータセットは、特に変化が多く予測困難な環境において、モデルがより正確で一貫した予測を行うのに役立ちます。

実際には、アノテーションの小さな不一致でさえモデルの動作に影響を与える可能性があります。物体のラベル付け方法やエッジケースの扱い方の違いは、トレーニング中には明らかでない場合でも、システムのデプロイ後に予測の信頼性低下につながることがあります。

さらに、こうした不一致は実環境のアプリケーションでより顕著になる可能性があります。たとえば、ロボティクスや医療システムでは、モデルが視覚入力に依存して物体を検出し、リアルタイムで動作を導きます。ラベル付けのばらつきは、これらのシステムが周囲の環境をどれだけ正確に解釈できるかに影響することがあります。

一貫したアノテーション手法を維持し、Ultralyticsのようなプラットフォームを使ってデータセットを長期的に管理・改善することで、チームは管理されたテスト環境を超えても、より安定して動作するモデルを構築できます。

主なポイント#

高品質なデータアノテーションは、正確なコンピュータービジョンモデルのトレーニングと、画像アノテーションプロジェクトの成功に不可欠です。Ultralytics Platformは、複数のビジョンタスクをサポートする強力なアノテーションエディターによって、このプロセスを簡素化します。手動アノテーションツールとSAMを使用したAI支援ラベリング、組み込みのワークフロー機能を組み合わせることで、チームはデータセットをより効率的に準備し、データ準備からモデル開発までを迅速化できます。

コミュニティに参加し、GitHubリポジトリを確認して、コンピュータービジョンモデルの詳細をご覧ください。ソリューションページで、自動車業界におけるAIやロボティクスにおけるコンピュータービジョンなどのアプリケーションについてお読みいただけます。ライセンスの選択肢を確認し、ご自身のビジョンAIモデルの構築を始めましょう。