データラベリング

データラベリングとは、画像、動画フレーム、テキスト、音声などの生データを識別し、 文脈を提供する情報タグやメタデータを付加する基礎的なプロセスである。機械学習（ML）の領域では、 アルゴリズムは本質的に物理世界を理解できず、「教師」による指導を必要とする。この指導は、 教師あり学習で使用されるラベル付きデータセットの形で提供される。 ラベルは モデルの予測目標となる正解値である 真値（ground truth）として機能します。単純な分類器から Ultralytics 複雑なアーキテクチャの訓練に至るまで、 これらのラベルの正確性、一貫性、品質が モデルの成功を左右する主要な決定要因となります。

データラベリングとデータアノテーション

日常会話ではこれらの用語がしばしば混同されるが、微妙な違いに留意する価値がある。 「データラベリング」は一般的に、データにカテゴリやタグを割り当てる広範な行為を指す（例： メールを「スパム」としてタグ付けする）。 一方、 データアノテーションはより具体的に コンピュータビジョン（CV）分野に限定され、 バウンディングボックス、ポリゴン、キーポイントを用いた 物体の精密な境界設定を伴います。ただし、 ほとんどの機械学習運用（MLOps）ワークフローにおいては、 両用語とも高品質なトレーニングデータの 作成を指す場合があります。

コンピュータビジョンにおける主要な分類

モデルの遂行すべきタスクに基づいて、ラベリング手法は変化します。一般的な種類には以下が含まれます：

• 画像分類： 画像全体に単一のラベルを割り当てること。例えば、気象状態を「曇り」または「晴れ」と識別すること。
• 物体検出：個別の物体の周囲に2D 境界ボックスを描画し、モデルに その物体が何であるか、どこに位置するかを教える。
• インスタンスセグメンテーション： オブジェクト周囲にピクセル単位で正確なマスクやポリゴンを生成する技術であり、 正確な形状や境界を特定するために不可欠である。
• 姿勢推定：被写体上の特定のキーポイント（骨格関節など）をマーキングし、動きや姿勢を分析すること。

実際のアプリケーション

データラベリングの有用性は、AIを採用するほぼすべての業界に及んでいる。

1. 自動運転車：自動運転車は、すべての車両、歩行者、交通標識、車線マーカーが細部までラベル付けされた膨大なデータセットに依存している。このラベル付きデータにより、知覚システムは複雑な環境を安全にナビゲートできる。 自動運転車メーカーは安全基準の遵守を確保するため、ピクセル単位のラベル付けに多額の投資を行っている。
2. 精密農業：現代農業において、 農業分野のAIは detect 生育段階の監視に活用される。農家は「健全」な葉と「病害」葉のラベル付き画像で訓練されたモデルを用いて治療を自動化し、化学薬品使用量を削減しつつ収量を増大させている。

ラベリング作業フロー

ラベル付きデータセットの作成は、AIプロジェクトにおいて最も時間のかかる工程であることが多い。このプロセスでは通常、「ヒューマン・イン・ザ・ループ」（HITL）アプローチが採用され、人間のアノテーターがラベルを検証して高い精度を確保する。 現代的なワークフローでは、Ultralytics ツールを活用し、 データセット管理を簡素化するとともに、チームによるアノテーションの共同作業を可能にします。 アクティブラーニングのような高度な技術も採用可能で、 モデルがデータを事前ラベル付けし、人間は信頼度の低い予測のみを修正するため、 プロセスを大幅に加速させることができます。

以下の例は、事前学習済みYOLO26モデルを使用して新しい画像に対して自動的にラベルを生成する方法を示しています （自動ラベリング）。生成されたラベルはその後、人間によって修正することができます：

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")