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、企業の人工知能（AI）導入は、過去4年間で270%増加しました。この成長は、コンピュータビジョン（CV）アプリケーションの急速な統合を促進しました。これは、機械が周囲の世界から視覚データを解釈・分析できるようにするAIシステムです。これらのアプリケーションは、医療画像における病気の検出や自動運転車の実現から、輸送における交通流の最適化、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。

The remarkable accuracy and unmatched performance of cutting-edge computer vision models like Ultralytics YOLO11 have largely driven this exponential growth. However, the performance of these models heavily relies on the quality and quantity of the data used to train, validate, and test models.

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業界基準に適合させるように効果的にトレーニングしたり微調整したりすることは困難です。本記事では、コンピュータビジョンモデルの構築においてデータが果たす重要な役割と、コンピュータビジョンにおいて高品質なデータがなぜそれほど重要なのかを探ります。また、カスタムコンピュータビジョンモデルのトレーニング中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ご紹介します。それでは始めましょう！

Link to this sectionコンピュータビジョンモデル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、画像や動画の膨大なデータセットを用いてトレーニングし、パターンを認識させて正確な予測を行わせることができます。例えば、物体検出モデルは、数百、あるいは数千ものラベル付けされた画像や動画を使用して、オブジェクトを正確に識別するようにトレーニングできます。

このトレーニングデータの品質と量は、モデルのパフォーマンスに影響を与えます。

コンピュータビジョンモデルは、学習したデータからのみ学習できるため、高品質なデータと多様な例を提供することが成功のために極めて重要です。十分かつ多様なデータセットがなければ、これらのモデルは実世界のシナリオを正確に分析できず、偏った結果や不正確な結果を生み出す可能性があります。

これが、モデル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ある理由です。高品質なデータの特性を確認する前に、コンピュータビジョンモデルのトレーニング中に遭遇する可能性のあるデータセットの種類を理解しておきましょう。

Link to this section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のトレーニングプロセスで使用されるデータは、それぞれ特定の目的を果たす3つのタイプに分類されます。各タイプの概要は以下の通りです。

• トレーニングデータ：これは、モデルをゼロからトレーニングするために使用され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と動画で構成されており、モデルはこれによってパターンを学習し、オブジェクトを認識できるようになります。
• 検証データ：これは、トレーニング中のモデルのパフォーマンスをチェックするために使用されるデータセットです。モデルが新しい未知のデータに対して正しく機能するかを確認するのに役立ちます。
• テストデータ：学習済みモデルの最終的なパフォーマンスを評価するために使用される独立したデータセットです。モデルが、完全に新しく未知のデータに対してどの程度正確に予測を行えるかをチェックします。

図1：コンピュータビジョンにおけるデータの分類方法

Link to this section高品質なコンピュータビジョンデータセットの5つの特徴#

データセットの種類に関係なく、成功するコンピュータビジョンモデルを構築する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ための重要な特性をいくつか挙げます。

• 精度：理想的には、データは実世界の状況を正確に反映し、正しいラベルが含まれている必要があります。例えば、ヘルスケアにおけるAIビジョンの場合、X線画像やスキャン画像には、モデルが適切に学習できるように正確なラベルが付けられている必要があります。
• 多様性：優れたデータセットには、モデルがさまざまな状況でうまく機能するように、多様な例が含まれています。例えば、モデルが車を検出することを学習している場合、データセットには、さまざまな環境（昼、夜、雨など）における異なる形状、サイズ、色の車が含まれている必要があります。
• 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。例えば、画像は同様の解像度を持ち（一部がぼやけていて他が鮮明であるようなことは避け）、同じ前処理ステップ（リサイズや色調整など）を経て、モデルが一貫した情報から学習できるように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し続けることができます。例えば、あらゆる種類の車両を検出するためにモデルをトレーニングしているとします。もし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場合、モデルの精度を維持し最新の状態に保つためには、それらをデータセットに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顔写真のような機密情報が含まれている場合、プライバシー規則に従う必要があります。匿名化（識別可能な詳細情報の削除）やデータマスキング（機密部分の隠蔽）のような手法により、プライバシーを保護しつつ、データを安全に利用することが可能です。

Link to this section低品質データによって引き起こされる課題#

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どのような影響を与えるかを考慮することも同じくらい重要です。

過学習（オーバーフィッティング）や過小学習（アンダーフィッティング）といった問題は、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、モデルがトレーニングデータに対してはうまく機能するものの、データセットに多様性が欠けているために新しいデータや未知のデータで苦戦する場合に発生します。一方、過小学習は、データセットがモデルに意味のあるパターンを学習させるのに十分な例や品質を提供していない場合に発生します。これらの問題を回避するには、多様で偏りのない高品質なデータセットを維持し、トレーニングと実世界のアプリケーションの両方で信頼できるパフォーマンスを確保することが不可欠です。

図2：過小学習 vs. 過学習。

低品質なデータは、特徴抽出として知られるプロセスである、生データから意味のあるパターンを抽出・学習することを困難にする場合もあります。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、モデルが効果的に機能しなくなる可能性があります。

Sometimes, low-quality data can be a result of simplifying data. Simplifying data can help save storage space and reduce processing costs, but oversimplification can remove important details the model needs to work well. This is why it’s so important to maintain high-quality data throughout the entire computer vision process, from collection to deployment. As a rule of thumb, datasets should include essential features while staying diverse and accurate to guarantee reliable model predictions.

図3：特徴抽出の理解

Link to this section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、データセットが確実に高い基準を満たすようにする方法を探っていきましょう。

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、多様な地理的地域からのデータ、合成データ生成といった多様なソースを使用することで、バイアスを低減し、モデルが実世界のシナリオを処理する助けとなります。データが収集されたら、前処理が重要です。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オーグメンテーションなどの手法により、データセットが強化されます。これらのステップは、モデルの汎化性能を向上させ、堅牢性を高め、過学習のリスクを軽減するのに役立ちます。

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。一般的なアプローチは、データの70%をトレーニングに、15%を検証に、15%をテストに割り当てることです。これらのセット間に重複がないことを再確認することで、データリークを防ぎ、正確なモデル評価を保証します。

図4：トレーニング、検証、テスト間の一般的なデータ分割。

また、YOLO11のような事前トレーニング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トレーニングされ、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、お客様の特定のニーズを満たすようにデータセット上で微調整することができます。データをモデルに適合させることで、過学習を回避し、高いパフォーマンスを維持できます。

Link to this sectionコンピュータビジョンデータセットの今後の展望#

AIコミュニティは伝統的に、より多くの層を持つより深いモデルを構築することによってパフォーマンス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、焦点はモデルの最適化からデータセットの品質改善へと移行しています。「AIの父」と呼ばれることも多いアンドリュー・ン氏は、「AIの世界がこの10年で経験すべき最も重要なシフトは、データ中心のAIへのシフトである」と信じています。

このアプローチは、ラベル精度の向上、ノイズの多い例の除去、多様性の確保によってデータセットを洗練させることを強調しています。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なデータといった問題に対処し、モデルが実世界のシナリオ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極めて重要です。

未来を見据えると、コンピュータビジョンの進歩は、膨大な量のデータを収集することではなく、より小さく高品質なデータセットを作成することに依存するでしょう。アンドリュー・ン氏によれば、「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の反復的なプロセスの中核部分です」。データ中心の原則に焦点を当てることで、コンピュータビジョンは今後も多様な業界において、より利用しやすく、効率的で、影響力のあるものになっていくでしょう。

Link to this section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を与えます。高品質なデータと正確なラベル付けを優先することで、信頼性の高い正確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。

データ主導の未来に向けて進む中で、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の倫理的配慮に対処することが不可欠です。最終的には、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。

AIについて詳しく知るために、私たちのコミュニティに参加し、GitHubリポジトリをチェックしてください。農業や製造などの分野におけるAIアプリケーションについては、ソリューションページをご覧ください。