YOLOの学習データの作り方｜アノテーション手順とPoCの始め方
「YOLOでモデルを動かすところまでは進んだ。でも、自分たちのデータで学習させようとした途端、手が止まった」——これは、物体検出に取り組み始めたチームでとてもよくある詰まり方です。
チュートリアルが動くのは、整ったデータセットが最初から用意されているからです。実務では、その「整ったデータ」を自分たちで作るところからが本番になります。
この記事では、YOLO用の学習データを作る5つのステップ、ラベルファイルの中身、多くのチームがつまずくポイントを整理します。あわせて、少ない枚数から検証を始めるPoCの設計と、外注という選択肢についても触れます。
目次
結論：YOLOの学習データ作成は5ステップ。工数の山は3番目にある
先に結論をお伝えします。YOLO用の学習データ作成は、次の5ステップに整理できます。
- データを集める（撮影・収集）
- クラスとアノテーション仕様を決める
- アノテーション作業を行う
- YOLO形式に変換し、学習用・検証用に分割する
- 学習・評価し、結果を見てデータに戻る
このうち、時間の大半を消費するのはステップ3です。そして、最終的な精度を左右するのはステップ2です。多くのチームは3の大変さに気づいて外注を検討し始めますが、実は2の設計が甘いまま量産に入ってしまうことのほうが、あとから響きます。
YOLOの学習データを作る5つのステップ
ステップ1：データを集める
学習させたい環境に、できるだけ近い条件のデータを集めます。ここで意識したいのは「枚数」より「バリエーション」です。
- 明るさ（昼／夜／逆光／曇天）
- 距離とアングル（近景／遠景／俯瞰／斜め）
- 対象物の状態（隠れている／重なっている／一部だけ写っている）
- 背景（現場ごとの違い、季節、混雑度）
本番で出てくる条件が学習データに一度も登場していなければ、モデルはその条件を知らないまま現場に出ることになります。逆に、同じ角度・同じ明るさの画像を大量に集めても、精度は思ったほど伸びません。
手元にデータがない、あるいは撮影の設計から相談したい場合は、データ収集・前処理の工程から外部に任せる方法もあります。
データ収集・前処理データ収集・前処理代行。データ収集・撮影、クレンジング・整形、匿名化、アノテーション前処理まで一気通貫。要件に合うデータをゼロから整備し、AI開発工数を最大50%削減。初期費用0円の完全従量課金。annotation-support.com
ステップ2：クラスとアノテーション仕様を決める
アノテーション仕様とは、「何を・どこまで・どう囲むか」を言語化したルールブックのことです。ここを曖昧にしたまま作業を始めると、同じ現場の同じ物体が、日によって違う囲まれ方をします。
最低限、次の判断基準は先に決めておきます。
- クラス定義：クラスをいくつに分けるか。似た物体をまとめるか、分けるか
- 隠れ（オクルージョン）：半分隠れている物体は付けるか。何割まで許容するか
- 見切れ：画面端で切れている物体は付けるか。見えている範囲だけ囲むか
- 最小サイズ：何ピクセル以下の小さな物体は対象外にするか
- 矩形の余白：対象物にぴったり付けるか、少し余裕を持たせるか
迷うケースは必ず出ます。大事なのは「正解を決めること」より、「同じケースには必ず同じ判断をする」状態を作ることです。判断に迷った実例をスクリーンショットで残し、仕様書に追記していくと、作業者が増えたときにも揺れにくくなります。
ステップ3：アノテーション作業を行う
実際に画像へ矩形（バウンディングボックス）を付けていく工程です。ツールは、ローカルで動く軽量なもの（LabelImg など）から、チーム作業や進捗管理に対応したもの（CVAT、Label Studio など）まで選択肢があります。少人数・少量ならローカル型、複数人で継続的に回すならサーバー型が向きます。
1枚あたりに必要な時間は、写っている対象物の数と難易度で大きく変わります。1枚に1つしか写らない画像と、数十個が重なり合っている画像では、まったく別の作業だと考えたほうが安全です。見積もりは「枚数」ではなく「矩形の総数」で立てると、実態に近づきます。
ステップ4：YOLO形式に変換し、データを分割する
YOLOのラベルは、画像1枚につきテキストファイル1つという構成です。中身は次のようになっています。
| 項目 | 内容 |
|---|---|
| ファイル名 | 画像と同名の .txt（例：img_001.jpg → img_001.txt） |
| 1行の意味 | 1つの物体（矩形）＝1行。物体がなければ空ファイル |
| 並び | クラスID 中心x 中心y 幅 高さ を半角スペース区切り |
| 数値の範囲 | 座標・サイズは画像サイズで割った0〜1の正規化値 |
| クラスID | 0から始まる整数 |
| 記述例 | 0 0.512 0.436 0.180 0.242 |
座標が「ピクセル値」ではなく「正規化値」である点が、他形式（COCOのJSON、Pascal VOCのXMLなど）から移行するときのつまずきどころです。既存データを変換する場合は、変換後に必ず数枚を画像上に描画して目視確認することをおすすめします。座標系の取り違えは、学習が一通り終わってから発覚すると痛手が大きいためです。
あわせて、学習用（train）・検証用（val）にデータを分けます。このとき、同じ現場・同じ連続フレームの画像が両方に混ざらないように注意してください。ほぼ同じ画像がtrainとvalの両方に入ると、検証スコアだけが実力以上に高く出てしまいます。
ステップ5：学習・評価し、データに戻る
学習を回したら、精度の数値だけでなく誤検出・未検出の実物を目で見ることが重要です。「特定のクラスだけ弱い」「遠景だけ落ちる」といった傾向が出たとき、原因はモデル側ではなくデータ側にあることが少なくありません。
アノテーションの揺れ、そのシーンのデータ不足、クラス定義の曖昧さ。いずれもステップ2に戻る合図です。学習データ作成は一度きりの作業ではなく、回しながら育てるループだと捉えると、進め方が楽になります。
自作でつまずく3つのポイント
内製で進めるチームが実際に直面しやすいのは、次の3点です。
- 仕様の揺れ：作業者が複数になった瞬間、あるいは同じ人でも1週間空いた瞬間に、判断がずれます。ずれたデータで学習したモデルは、そのずれをそのまま学びます。
- 検品が後回しになる：作ることに手一杯で、チェックの体制まで手が回らない。抜き取りで数枚見て問題なさそうだから進める——という判断が、後工程で効いてきます。
- 本業の時間が溶ける：エンジニアや研究者がモデル設計ではなく矩形描きに時間を使うことになり、検証サイクル自体が遅くなります。
3つとも、「気合いで頑張る」では解決しません。仕様書という仕組み、検品という工程、そして人員の配分の問題だからです。
アノサポでは、抜き取りではなく全量検収（納品対象すべてを確認する体制）を採用し、品質一貫性99.7%を維持しています。また、納品後1年間は、合意した仕様に対する当社起因の不備を無償で修正します。
「何枚必要か」より先に、小さく試す
「学習データは何枚必要ですか」は最も多い質問のひとつですが、正直にお答えすると一律の答えはありません。対象物の見分けやすさ、撮影条件のばらつき、求める精度、許容できる誤検出の量によって、必要量は大きく変わるためです。
そこで現実的なのは、いきなり全量を作らず、小さく作って一度学習を回してみる進め方です。少量で回すと、次のことが早い段階で分かります。
- クラス定義が実データに対して機能しているか
- どのシーンが苦手か（＝どのデータを追加で集めるべきか）
- アノテーション仕様に、想定していなかった判断ケースが潜んでいないか
アノサポでは最低発注数の縛りを設けていません。画像であれば50〜100件程度のPoCからでもお引き受けできます。さらにその前段として、実データ10〜50件程度を実際の体制でアノテーションし、品質を確認していただいてから本発注を決められる無料トライアルもご用意しています。
外注という選択肢と、内製との使い分け
すべてを外注すべき、という話ではありません。内製が向くケースと、外注が向くケースがあります。
| 内製が向くケース | 外注が向くケース |
|---|---|
| 仕様が固まっておらず、毎日変わる探索段階 | 仕様が固まり、量を作る段階に入った |
| ごく少量で、単発の検証 | 継続的にデータを追加していく必要がある |
| 判断に極めて特殊なドメイン知識が要る | 複数人でも品質を揃える必要がある |
| データを外部に出せない制約がある | エンジニアの時間をモデル側に戻したい |
費用の目安もお伝えしておきます。アノサポは完全従量課金で、初期費用・管理費は0円です。
| 種別 | 単価（税別） |
|---|---|
| Bbox（物体検出） | 6円〜／1矩形 |
| キーポイント（骨格推定） | 3.5円〜／1点 |
| セグメンテーション | 25円〜／1領域 |
YOLOで扱う矩形アノテーションであれば、Bboxの単価が基準になります。前述のとおり見積もりは「画像枚数×1枚あたりの矩形数」で概算できるため、手元の画像を数枚数えるだけでも、おおよその規模感はつかめます。単価の考え方や他の作業種別については料金ページもご覧ください。
物体検出のほか、セグメンテーション・骨格推定・動画トラッキングまで対応しています。詳しくは画像・動画アノテーションのページにまとめました。
画像・動画アノテーション画像・動画アノテーション代行。物体検出・セグメンテーション・骨格推定・動画トラッキングに対応。SAM等のAIオートラベリング×全量検収で品質一貫性99.7%、1ラベル6円〜・初期費用0円の完全従量課金。無料トライアル実施中。annotation-support.com
よくある質問
Q. YOLOのアノテーションには、どのツールを使えばいいですか？
少量・少人数ならLabelImgのようなローカル型、複数人で継続的に作業するならCVATやLabel Studioのようなサーバー型が向きます。重要なのはツール選びよりも、判断基準を揃えるアノテーション仕様書を先に用意することです。
Q. 学習データは何枚あればいいですか？
対象物の見分けやすさ、撮影条件のばらつき、求める精度によって変わるため、一律の目安はありません。まず少量で一度学習を回し、苦手なシーンを特定してから追加する進め方が結果的に近道です。
Q. アノテーションを外注すると、いくらかかりますか？
アノサポは完全従量課金で、Bbox（物体検出）は1矩形6円〜（税別）、初期費用・管理費は0円です。総額は「矩形の総数×単価」で見積もります。最低発注数の縛りはなく、50〜100件程度のPoCからご相談いただけます。
Q. データを外部に渡すのが不安です。セキュリティはどうなっていますか？
アノサポはISO/IEC 27001（ISMS）認証を取得しています。データはローカル端末に保存せずクラウド上のみで扱う「非保持・非ローカル」運用で、全スタッフとNDAを締結し、案件ごとにチームを分離しています。お預かりしたデータを自社AIの学習に流用することはなく、案件完了後は速やかに物理削除します。
Q. 途中で仕様が変わった場合はどうなりますか？
納品後1年間の無償修正は、合意した仕様に対する当社起因の不備が対象です。仕様そのものの変更は再度お見積りとなりますが、実務では仕様が動くことは珍しくありません。だからこそ、着手前の仕様すり合わせと、小さく始めるPoCを重視しています。
まとめ
YOLOの学習データ作成は、①集める ②仕様を決める ③アノテーション ④形式変換と分割 ⑤学習して戻る、の5ステップです。工数がかかるのはアノテーション作業ですが、精度を決めるのはその手前の仕様設計です。
そして、必要なデータ量は最初から分かりません。だからこそ、小さく作って一度回し、苦手を見つけてから育てる進め方が有効です。
「自社のデータでうまくいくのか」を確かめる段階なら、まずは実データの一部でお試しください。品質も、やりとりの進めやすさも、実際に一度動かしてみるのが一番確実です。
まずは無料で、あなたのデータで品質をお確かめください。
