高品質なコンピュータビジョンデータセットの重要性

2019年時点で、企業における人工知能（AI）の導入は、過去4年間で270%増加していました。この成長を後押ししているのが、コンピュータービジョン（CV）アプリケーションの急速な統合です。これらのAIシステムは、機械が周囲の世界の視覚データを解釈し、分析できるようにします。医用画像からの疾患検出や自動運転車の実現から、交通分野での交通流の最適化やセキュリティシステムでの監視強化まで、幅広い技術を支えています。

コンピュータービジョンモデル、たとえばUltralytics YOLO11の最先端の精度と性能が、この成長を後押ししてきました。しかし、こうしたモデルの性能は、モデルのトレーニング、検証、テストに使用するデータの質と量に大きく左右されます。

高品質なデータが十分になければ、コンピュータービジョンモデルを業界標準に適合するよう効果的にトレーニングし、ファインチューニングすることは困難です。この記事では、コンピュータービジョンモデルの作成におけるデータの重要な役割と、コンピュータービジョンで高品質なデータが重要な理由を解説します。また、カスタムのコンピュータービジョンモデルをトレーニングする際に、高品質なデータセットを作成するためのヒントもご紹介します。

コンピュータビジョンモデルの構築におけるデータの役割#

コンピュータービジョンモデルは、大規模なデータセットの画像や動画を使ってトレーニングし、パターンの認識や正確な予測を行えます。たとえば、物体検出モデルは、数百枚から数千枚のラベル付き画像や動画を使ってトレーニングし、物体を正確に特定できます。

トレーニングデータの質と量は、モデルの性能に影響します。

コンピュータビジョンモデルは、与えられたデータからしか学習できないため、高品質なデータと多様な例を提供することが成功の鍵となります。十分な量と多様性を備えたデータセットがなければ、これらのモデルは現実世界の状況を正確に分析できず、偏りのある結果や不正確な結果を出す可能性があります。

そのため、モデルのトレーニングにおけるデータの役割を明確に理解することが重要です。高品質なデータの特性を見ていく前に、コンピュータビジョンモデルのトレーニングで使用する可能性のあるデータセットの種類を確認しましょう。

コンピュータビジョンデータセットの種類#

コンピュータービジョンでは、トレーニングプロセスで使用するデータは、それぞれ異なる目的を持つ3種類に分類されます。各種類の概要を簡単に見てみましょう。

• トレーニングデータ：モデルをゼロからトレーニングするために使用する主要なデータセットです。事前に定義されたラベルが付いた画像や動画で構成され、モデルがパターンを学習して物体を認識できるようにします。
• 検証データ：モデルのトレーニング中に、そのパフォーマンスを確認するために使用するデータセットです。モデルが新しい未知のデータでも正しく動作することを確認するのに役立ちます。
• テストデータ：トレーニング済みモデルの最終的な性能を評価するために使用する、独立したデータセットです。モデルがまったく新しい未確認のデータに対して、どの程度適切に予測できるかを確認します。

図1. コンピュータビジョンにおけるデータの分類方法。

高品質なコンピュータビジョンデータセットの5つの主な特性#

データセットの種類にかかわらず、高品質なデータは、優れたコンピュータビジョンモデルを構築するうえで不可欠です。データセットの品質を高める主な特性をいくつか紹介します。

• 正確性：理想的には、データは現実世界の状況を忠実に反映し、正しいラベルが付いている必要があります。たとえば、医療分野のビジョンAIでは、モデルが適切に学習できるよう、X線画像やスキャン画像に正確なラベルを付ける必要があります。
• 多様性：優れたデータセットには、さまざまな状況でモデルが適切に動作できるよう、多様な例が含まれています。たとえば、モデルに車を検出させる場合、さまざまな環境（昼、夜、雨など）における形状、サイズ、色の異なる車をデータセットに含める必要があります。
• 一貫性：高品質なデータセットは、統一された形式と品質基準に従っています。たとえば、画像の解像度をそろえ（ぼやけた画像と鮮明な画像を混在させない）、リサイズや色調整などの同じ前処理手順を適用することで、モデルは一貫した情報から学習できます。
• 適時性：定期的に更新されるデータセットは、現実世界の変化に対応できます。あらゆる種類の車両を検出するモデルをトレーニングするとします。電動キックボードのような新しい種類の車両が登場したら、モデルの正確性と最新性を保つためにデータセットへ追加する必要があります。
• プライバシー：データセットに人物の写真などの機密情報が含まれる場合は、プライバシー規則に従う必要があります。匿名化（個人を特定できる情報の削除）やデータマスキング（機密部分の隠蔽）などの手法を使うと、データを安全に利用できる状態に保ちながら、プライバシーを保護できます。

低品質なデータによって生じる課題#

高品質なデータの特性を理解することは重要ですが、低品質なデータがコンピュータビジョンモデルに及ぼす影響を考慮することも同じくらい大切です。

過学習や未学習などの問題は、モデルのパフォーマンスに深刻な影響を与える可能性があります。過学習は、トレーニングデータでは優れたパフォーマンスを発揮するモデルが、新しいデータや未知のデータではうまく機能しない状態で、データセットの多様性が不足していることが原因である場合がよくあります。一方、未学習は、モデルが有意義なパターンを学習するための例や品質がデータセットに十分でない場合に発生します。こうした問題を避け、トレーニング時と現実世界のアプリケーションの両方で信頼性の高いパフォーマンスを確保するには、多様で偏りがなく、高品質なデータセットを維持することが不可欠です。

図2. 未学習と過学習の比較。

低品質なデータは、モデルが生データから意味のあるパターンを抽出して学習するプロセスである特徴抽出も困難にします。データセットが不完全であったり、関連性に乏しかったり、多様性が不足していたりすると、モデルは効果的に動作できない可能性があります。

データの単純化が低品質データの原因になることもあります。データの単純化はストレージ容量の節約や処理コストの削減に役立ちますが、過度に単純化すると、モデルが適切に動作するために必要な重要な詳細が失われる可能性があります。そのため、データ収集からデプロイまで、コンピュータービジョンのプロセス全体を通じて高品質なデータを維持することが非常に重要です。目安として、データセットには、信頼性の高いモデル予測を支える重要な特徴を含めつつ、多様性と正確性を保つ必要があります。

図3. 特徴抽出を理解する。

コンピュータビジョンデータセットの品質を維持するためのヒント#

高品質なデータの重要性と低品質なデータの影響を理解したところで、データセットが高い基準を満たしていることを確認する方法を見ていきましょう。

まず、信頼できるデータ収集から始めます。クラウドソーシング、さまざまな地理的地域からのデータ、合成データの生成など、多様なソースを利用することで、バイアスを減らし、モデルが現実世界の状況に対応しやすくなります。データを収集したら、前処理が重要です。ピクセル値を一定の範囲にスケーリングする正規化や、回転、反転、ズームなどの変換を適用するデータ拡張といった手法で、データセットを強化できます。こうした手順により、モデルの汎化性能と堅牢性が高まり、過学習のリスクを軽減できます。

データセットを適切に分割することも重要な手順です。一般的な方法では、データの70%をトレーニング用、15%を検証用、15%をテスト用に割り当てます。各セットに重複がないことを再確認すると、データリークを防ぎ、モデルを正確に評価できます。

図4. トレーニング、検証、テストにおける一般的なデータ分割。

YOLO11などの事前トレーニング済みモデルを使うと、時間と計算リソースを節約できます。大規模なデータセットでトレーニングされ、さまざまなコンピュータービジョンタスク向けに設計されたYOLO11は、ニーズに合わせて特定のデータセットでファインチューニングできます。モデルをデータに合わせて調整することで、過学習を避けながら高い性能を維持できます。

コンピュータビジョンデータセットの今後#

AIコミュニティは従来、より多くのレイヤーを持つ深いモデルを構築して性能を高めることに注力してきました。しかし、AIが進化し続けるなか、焦点はモデルの最適化からデータセットの品質向上へと移りつつあります。Andrew Ngは、「この10年間にAIの世界が遂げるべき最も重要な変化は、データ中心のAIへの移行です」と述べています。

このアプローチでは、ラベルの正確性を高め、ノイズの多い例を取り除き、多様性を確保することで、データセットを改善することを重視します。コンピュータビジョンにおいて、こうした原則はバイアスや低品質なデータなどの問題に対処し、モデルが現実世界の状況で信頼性の高いパフォーマンスを発揮できるようにするために不可欠です。

今後、コンピュータービジョンの進歩は、膨大なデータを集めるよりも、小規模で高品質なデータセットの作成に依存するようになるでしょう。Andrew Ng氏によると、「データの改善は一度きりの前処理ではなく、機械学習モデル開発の反復プロセスの中核です」。データ中心の原則に注力することで、コンピュータービジョンはさまざまな業界で、さらに利用しやすく、効率的で、大きな影響力を持つ技術へと発展し続けるでしょう。

重要なポイント#

データは、ビジョンモデルのライフサイクル全体を通じて重要な役割を果たします。データ収集から前処理、トレーニング、検証、テストに至るまで、データの品質はモデルのパフォーマンスと信頼性に直接影響します。高品質なデータと正確なラベル付けを優先することで、信頼性と精度の高い結果をもたらす堅牢なコンピュータビジョンモデルを構築できます。

データ主導の未来に向かうなかで、バイアスやプライバシー規制に関するリスクを軽減するため、倫理的な配慮に取り組むことが不可欠です。最終的に、データの完全性と公平性を確保することが、コンピュータビジョン技術の可能性を最大限に引き出す鍵となります。

コミュニティに参加し、GitHubリポジトリを確認して、AIについてさらに詳しく学びましょう。農業や製造業などの分野におけるAIの活用例を詳しく知るには、ソリューションのページをご覧ください。