高品質なコンピューター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。この成長により、コンピュータビジョン (CV)アプリケーション、つまり機械が周囲の世界の視覚データを解釈・分析できるようにするAIシステムの急速な統合が進みました。これらのアプリケーションは、医用画像における病気の検出や自動運転車の実現から、輸送分野での交通の流れの最適化、セキュリティシステムにおける監視の強化まで、幅広いテクノロジーを支えています。

Ultralytics YOLO11のような最先端のコンピュータビジョンモデルが持つ卓越した精度と比類のない性能が、この急激な成長を大きく促進してきました。ただし、これらのモデルの性能は、モデルの学習、検証、テストに使用するデータの品質と量に大きく左右されます。

十分な高品質データがなければ、コンピュータビジョンモデルを効果的に学習・ファインチューニングし、業界標準を満たすことは困難です。この記事では、コンピュータビジョンモデルの作成におけるデータの重要な役割と、コンピュータビジョンで高品質データが非常に重要である理由について説明します。また、カスタムコンピュータビジョンモデルの学習に取り組む際に、高品質なデータセットを作成するためのヒントもいくつか紹介します。さっそく始めましょう。

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#

コンピュータビジョンモデルは、画像や動画の大規模なデータセットで学習させることで、パターンを認識し、正確な予測を行えるようになります。たとえば、物体検出モデルは、ラベル付きの画像や動画を数百件、場合によっては数千件使用して学習させることで、物体を正確に識別できます。

この学習データの品質と量は、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、さらされる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。十分かつ多様なデータセットがなければ、これらのモデルは現実世界のシナリオを正確に分析できず、偏りのある結果や不正確な結果を生成する可能性があります。

そのため、モデル学習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。高品質データの特徴を説明する前に、コンピュータビジョンモデルの学習中に扱う可能性があるデータセットの種類を理解しましょう。

コンピュータビジョンデータセットの種類#

コンピュータビジョンでは、学習プロセスで使用するデータは3種類に分類され、それぞれ特定の目的があります。各種類を簡単に見てみましょう。

• 学習データ：モデルをゼロから学習させるために使用する主要なデータセットです。あらかじめ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：モデルの学習中に、モデルがどの程度適切に動作しているかを確認するために使用するデータセットです。モデルが未知の新しいデータに対して正しく動作することの確認に役立ちます。
• テストデータ：学習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。完全に未知の新しいデータに対して、モデルが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主な5つの特徴#

データセットの種類にかかわらず、成功するコンピュータビジョンモデルの構築には高品質なデータが不可欠です。データセットを高品質にする主な特徴を以下に示します。

• 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、正しいラベルを含む必要があります。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例が含まれており、モデルが異なる状況でも適切に動作できるようになります。たとえば、モデルに自動車の検出を学習させる場合、データセットにはさまざまな環境（日中、夜間、雨天など）における形状、サイズ、色の異なる自動車を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います。たとえば、画像の解像度は同程度にし（一部がぼやけていて、他が鮮明といった状態を避ける）、モデルが一貫した情報から学習できるよう、サイズ変更や色調整などの同じ前処理ステップを適用する必要があります。
• 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ようにモデルを学習させているとします。電動スクーターのような新しい車両が登場した場合は、モデルの精度と最新性を維持する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、プライバシーに関する規則に従う必要があります。匿名化（識別可能な詳細の削除）やデータマスキング（機密部分の隠蔽）などの技術により、データを安全に利用し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#

高品質データの特徴を理解することが重要である一方、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重要です。

過学習や未学習などの問題は、モデルの性能に深刻な影響を及ぼす可能性があります。過学習は、モデルが学習データに対しては適切に動作するものの、データセットの多様性が不足していることなどが原因で、未知の新しいデータに対して苦戦する場合に発生します。一方、未学習は、モデルが意味のあるパターンを学習するために十分な例や品質をデータセットが提供していない場合に発生します。これらの問題を避けるには、多様で偏りのない高品質なデータセットを維持し、学習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性能を確保することが不可欠です。

図2. 未学習と過学習の比較

低品質なデータでは、生データから意味のあるパターンを抽出して学習することも難しくなります。このプロセスは特徴抽出と呼ばれます。データセットが不完全、無関係、または多様性に欠けている場合、モデルは効果的に動作することが困難になる可能性があります。

低品質なデータが、データの単純化によって生じる場合もあります。データを単純化すると、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、過度な単純化によって、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、収集からデプロイまで、コンピュータ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。一般的な目安として、データセットには重要な特徴を含めつつ、多様性と正確性を保ち、信頼性の高いモデル予測を実現する必要があります。

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#

高品質データの重要性と低品質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すようにする方法を見ていきましょう。

すべては信頼性の高いデータ収集から始まります。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、合成データ生成など、多様なソースを使用すると、バイアスを低減し、モデルが現実世界のシナリオに対応しやすくなります。データを収集したら、前処理が重要になります。ピクセル値を一貫した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技術により、データセットを強化できます。これらの手順により、モデルの汎化性能と堅牢性が向上し、過学習のリスクを低減できます。

データセットを適切に分割することも重要なステップです。一般的な方法では、データの70%を学習用、15%を検証用、15%をテスト用に割り当てます。これらのセット間に重複がないことを再確認すると、データリーケージを防ぎ、正確なモデル評価を確保できます。

図4. 学習、検証、テスト間の一般的なデータ分割

YOLO11のような事前学習済みモデルを使用して、時間と計算リソースを節約することもできます。大規模なデータセットで学習され、さまざまなコンピュータビジョンタスク向けに設計されたYOLO11は、特定のデータセットに対してファインチューニングしてニーズに合わせることができます。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、優れた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これから#

AIコミュニティは従来、より多くの層を持つ深いモデルを構築することで性能を向上させることに注力してきました。しかし、AIが進化し続けるにつれて、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。「AIの父」と呼ばれることの多いAndrew Ngは、「この10年にAIの世界が経験する必要がある最も重要な変化は、データ中心のAIへの移行です」と考えています。

このアプローチでは、ラベルの精度を向上させ、ノイズの多い例を削除し、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、これらの原則はバイアスや低品質データなどの問題に対処するうえで重要であり、モデルが現実世界のシナリオで信頼性の高い性能を発揮できるようにします。

将来的には、大量のデータを収集するのではなく、より小規模で高品質なデータセットを作成することがコンピュータビジョンの発展を支えるでしょう。Andrew Ngによると、「データの改善は一度限りの前処理ステップではなく、機械学習モデル開発における反復プロセスの中核部分です」。データ中心の原則に注力することで、コンピュータビジョンはさまざまな業界で、より利用しやすく、効率的で、大きな効果をもたらすものへと進化し続けます。

主なポイント#

データは、ビジョンモデルのライフサイクル全体で重要な役割を果たします。データ収集から前処理、学習、検証、テストに至るまで、データの品質はモデルの性能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リングを優先することで、信頼性が高く精密な結果を提供する堅牢なコンピュータビジョンモデルを構築できます。

データ駆動型の未来に向かう中で、バイアスやプライバシー規制に関連するリスクを軽減するため、倫理的な考慮事項に対処することが不可欠です。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テクノロジー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についてさらに学びましょう。農業や製造などの分野におけるAIアプリケーションをさらに詳しく知るには、ソリューションページをご覧ください。