AI・機械学習
中級
アノテーション（アノテーション）
AI / 機械学習で使う訓練データに対し、画像のバウンディングボックスやテキストのラベル等の正解情報を付与する作業。データ品質がモデル精度を左右する。
0 回閲覧
0 いいね
2026/5/2 更新
関連タグ
AI
機械学習
データセット
教師あり学習
Label Studio
概要
アノテーション（Annotation）は、AI / 機械学習で使う訓練データに対し、画像のバウンディングボックス・セグメンテーションマスク・テキストのラベル・音声の発話区間等の「正解情報」を付与する作業を指す。教師あり学習においてはモデルアーキテクチャ以上に データ品質がモデル精度を左右するため、適切なアノテーション設計と品質管理は機械学習プロジェクトの成否を決める重要工程である。
主要ツールと特徴
| ツール | 形態 | 価格 | 特徴 |
|---|---|---|---|
| Label Studio | OSS / SaaS | OSS 無償 / Cloud $99/月〜 | 画像 / 音声 / テキスト全対応、最も汎用 |
| CVAT | OSS | 無償 | コンピュータビジョン特化、Intel 由来 |
| Roboflow | SaaS | 無償 / Pro $249/月 | YOLO / COCO 自動変換、SAM 2 統合 |
| Scale AI | エンタープライズ | 要見積 | OpenAI / Tesla の RLHF 担当、人海戦術型 |
| Encord | SaaS | エンタープライズ | 動画 / 医用画像特化 |
主な特徴・仕組み
- タスク種別: Bounding Box（物体検出）、Polygon / Mask（セグメンテーション）、Keypoint（姿勢推定）、Classification（分類）、NER（固有表現抽出）
- フォーマット: COCO JSON、Pascal VOC XML、YOLO TXT、CONLL（NLP 用）が標準
- 品質管理: Inter-Annotator Agreement（IAA）、Cohen's κ で複数アノテータ間の一致度を測定。κ ≥ 0.7 が実用基準
- 半自動化: SAM 2 / DINOv2 等の foundation model で初回ラベル生成 → 人手で修正、作業時間を 70〜90% 削減
自作 PC / 個人プロジェクトでの選び方
- 個人 PoC / Kaggle: Label Studio をローカル Docker で立てる（無償）
- YOLO ベースの物体検出: Roboflow 無償枠（公開データセット）or Pro $249/月で SAM 2 半自動化
- NLP / NER: Label Studio + spaCy 連携が定番
- PC 要件: アノテーション自体は軽い。SAM 2 推論を回すなら RTX 3060 12GB 以上推奨
関連用語との違い
| 用語 | 違い |
|---|---|
| ラベリング | アノテーションとほぼ同義。狭義には分類タスクのみを指すこともある |
| タグ付け | 単純な分類のみ。アノテーションは座標情報等のリッチな構造を含む |
| RLHF（人間のフィードバックによる強化学習） | LLM の応答品質をランク付けする手法。アノテーションの一形態 |
よくある質問
Q1: 自分でアノテーションする場合、どのくらいの量が必要？ A: 物体検出（YOLO）でクラスあたり 200〜500 枚、転移学習なら 50 枚程度から実用精度。NLP NER は 1,000〜10,000 文が目安。
Q2: SAM 2 を使えばアノテーターは不要？ A: 不要にはならない。SAM 2 のマスク提案は 80% 程度の正確性で、残り 20% の修正と品質チェックは人間が必須。
Q3: クラウドソーシング（Amazon Mechanical Turk）で安く済ませる方法は？ A: 単価は安いが品質低下リスクが高い。複数アノテータの多数決 + Cohen's κ 監視を必ず併用すること。
まとめ
- AI 訓練データに 正解情報を付与する 必須工程
- 2026 年は SAM 2 / DINOv2 による半自動化 が主流、作業時間 70〜90% 削減
- 品質管理には Inter-Annotator Agreement（κ ≥ 0.7） が業界標準