種類の選び方は、精度と工数のトレードオフで決まります。この記事では、画像アノテーションの4つの種類と、どれを選べばいいのかの判断順序、費用がどこで変わるのかを整理します。

結論：4種類あり、選び方は「必要な精度」で決まる

画像アノテーションとは、画像に写っているものに正解ラベルを付け、AIが学習できる形にする作業です。実務で使われる形式は、大きく4つに分かれます。

アノテーションそのものの意味や、画像以外のデータ種別も含めた全体像はアノテーションとは｜意味・種類・作業の進め方で解説しています。

下にいくほど情報量が増え、AIの精度は上がります。しかし作業時間も比例して増えます。セグメンテーションはバウンディングボックスの数倍かかります。

つまり選び方は「精度が高いほうがいい」ではなく、「そのAIが判断するために、最低限どこまでの情報が必要か」で決まります。過剰な形式を選ぶと、費用も期間も無駄に膨らみます。

画像アノテーションの4つの種類

バウンディングボックス（物体検出）

対象を長方形で囲み、クラス名を付けます。「画像のどこに何があるか」を学習させる、最も一般的な形式です。人物検出、車両検出、商品棚の在庫確認など、用途が広く、作業効率も高いのが特徴です。

迷ったらまずこれを検討します。「対象の位置がおおよそ分かればいい」なら、これで足ります。具体的な作成手順はYOLO 学習データの作り方で解説しています。

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の学習データの作り方を5ステップで解説。ラベル形式の書き方、クラス設計、アノテーション作業でつまずく3つのポイント、少量から始めるPoCの設計、外注する場合の費用相場まで、これから物体検出を始める方向けにまとめました。annotation-support.com

セグメンテーション（領域分割）

四角ではなく、対象の輪郭に沿ってピクセル単位で塗り分けます。形状そのものを学習させたいときに使います。

医療画像での病変領域の特定、建設現場での配筋の判定、農業での作物と雑草の区別など、「どこまでが対象か」を正確に知る必要がある用途で選ばれます。四角では背景が混ざってしまう場面が該当します。

ただし作業時間は最も長く、単価も高くなります。セグメンテーションアノテーションのやり方で詳しく説明しています。

セグメンテーションアノテーションの作り方｜医療画像・自動運転での使い分けとPoCの始め方セグメンテーションアノテーションの作り方を5ステップで解説。バウンディングボックスとの違い、内製と外注の判断基準、PoCの始め方まで実務目線でまとめました。単価・全量検収体制も公開しています。annotation-support.com

実例として、ピクシーダストテクノロジーズの配筋検査支援AIでは、配筋の種類ごとに色分けするセグメンテーションを6名体制で実施しました。社内でアルゴリズム開発と並行した場合は約4ヶ月かかる見込みでしたが、2ヶ月で完了しています。

建設現場DXのAIを大量データ作成で加速ピクシーダストテクノロジーズの配筋検査支援DX「TOTTARROW」認識AIの導入事例。配筋を色分けする高品質アノテーションを6名体制で担い、依頼を2ヶ月で完了。社内エンジニア約2ヶ月分の工数を削減し、開発チームをアルゴリズム開発に集中させました。annotation-support.com

キーポイント（骨格推定）

関節や特徴点に点を打ちます。人物なら肩・肘・手首・腰・膝といった位置を指定し、姿勢や動作を学習させます。

スポーツのフォーム分析、作業員の危険動作の検知、リハビリの動作評価などで使われます。人物以外にも、製品の特定部位や動物の姿勢推定に応用できます。

1点あたりの単価は最も安いものの、1つの対象に十数点を打つため、総額では見積もりが読みにくい形式です。何点打つかを先に決めておく必要があります。

画像分類（クラス分類）

画像1枚に対して1つのラベルを付けます。位置情報は持ちません。「良品か不良品か」「屋内か屋外か」といった判定に使います。

最も単純で速い形式です。位置を特定する必要がないなら、これで十分なケースは多くあります。物体検出を選ぼうとして、実はクラス分類で足りた、という取り違えは実務でよく起きます。

対応している種別や事例は画像・動画アノテーションのページにまとめています。

どう使い分けるか｜判断の順序

次の順に自問すると、必要な形式が絞れます。

1. 位置を知る必要があるか。 不要ならクラス分類で足ります。ここで多くの案件が終わります。
2. おおよその位置で足りるか。 足りるならバウンディングボックス。数を数える、混雑を測る、といった用途はここです。
3. 形状まで必要か。 面積を測る、境界を正確に判定する、といった場合はセグメンテーション。
4. 姿勢や動作を見たいか。 その場合はキーポイント。

1つの案件で複数の形式を組み合わせることもできます。 たとえば「人物をバウンディングボックスで検出し、検出した人物の姿勢だけキーポイントで取る」といった設計です。全対象に最も重い形式を適用する必要はありません。

動画を扱う場合は、フレームを切り出したうえで同じ考え方を適用します。詳しくは動画アノテーションのやり方をご覧ください。

費用はどこで決まるか

画像アノテーションの費用は、「単価 × 数量」で決まります。ここでいう数量は画像の枚数ではなく、ラベルの数です。1枚に20人写っていれば20ラベルになります。

アノサポでは単価を公開しています。

初期費用・月額固定費・ディレクション費は0円で、作成したデータの実費のみです。単価が動くのは、対象の重なり、判断の曖昧さ、クラス数の多さ、納期といった条件です。詳しくは料金ページに掲載しています。

見積依頼のときは、「画像が何枚あるか」より「1枚に対象がいくつ写るか」「どの形式で作るか」を伝えると、精度の高い金額が返ってきます。条件が固まっていない段階でも、無料のお見積りで当たりを付けられます。

自作でつまずく3つのポイント

1. ラベル設計を決めずに始める

「対象が半分隠れているときは付けるのか」「画面の端で切れているものはどうするか」「小さすぎるものは無視するか」——これらを決めずに始めると、作業者によって基準がばらつきます。あとから統一しようとしても、全件見直しになります。

2. 形式を過剰に選ぶ

「精度が高いほうがいいだろう」とセグメンテーションを選び、実際にはバウンディングボックスで足りていた、というケースです。単価が4倍以上違うため、影響が大きい失敗です。まず小さく試して、必要な精度を確かめてから決めるのが安全です。

3. 検品の基準を決めていない

全件を確認するのか、一部を抜き取るのか。どこまでのズレを許容するのか。ここが曖昧だと、納品後に「思っていた品質と違う」という話になります。アノサポではサンプリング検品ではなく全量検収を行い、品質一貫性99.7%を維持しています。

内製と外注の使い分け

画像アノテーションは、段階で切り替えるのが現実的です。

• 検証段階：内製が向いています。どの形式が必要かを探っている最中なので、手元で試したほうが速く進みます。
• 量産段階：外注が向いています。形式が固まったあとは、工数がそのまま人手の量になるため、内製だと開発メンバーの時間を消費し続けます。

アノサポでは納品後1年間、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。依頼先の選び方はアノテーション代行の選び方で整理しています。

アノテーション代行の選び方｜費用相場・比較ポイント・発注前チェックリストアノテーション代行会社の選び方を、費用相場・比較ポイント7つ・発注前チェックリストで解説。単価だけで選ぶと総額が高くなる理由、クラウドソーシングとの違い、内製との使い分け、小さく試す手順まで。初期費用0円・全量検収。annotation-support.com

いきなり全量を出す必要はありません。まずは実データ10〜50件程度を無料トライアルで試し、品質を確認してから進められます。本発注も50〜100件程度のPoCから対応しており、最低発注数の縛りはありません。

音声データを扱う場合は種類の考え方が変わります。文字起こし・話者分離・感情ラベルの選び方は音声アノテーションとはをご覧ください。

よくある質問

まとめ

画像アノテーションには、画像分類・バウンディングボックス・キーポイント・セグメンテーションの4種類があります。下にいくほど精度は上がりますが、作業時間と費用も増えます。

選ぶ基準は「精度が高いほうがいい」ではなく、そのAIが判断するために最低限どこまでの情報が必要かです。位置が不要ならクラス分類、おおよそで足りるならバウンディングボックス、形状まで必要ならセグメンテーション、姿勢を見るならキーポイント。この順に絞れます。

そして、最初に形式を確定させる必要はありません。小さく試して必要な精度を確かめてから決める——これが最も失敗しにくい進め方です。

無料トライアルアノサポは、現在無料トライアルキャンペーンを実施中です。AIに必要なアノテーションデータを契約前に品質の確認したいというお客様の声から生まれました。ぜひみなさんお試しください。annotation-support.com

投稿 画像アノテーションの種類と使い分け｜物体検出・骨格推定・領域分割 は アノサポ｜AIアノテーション・学習データ作成の伴走パートナー に最初に表示されました。

この記事では、セグメンテーションアノテーションを作る5つのステップと、自作でつまずきやすいポイント、そして「まず何をどこまで試すべきか」というPoCの考え方までを、実務目線で解説します。

結論：セグメンテーションが必要になるのはこんな時

結論から言うと、セグメンテーションが必要になるのは「物体の位置」だけでなく「物体の形そのもの」が精度に直結する場面です。代表的なケースは次の3つです。

• 医療画像診断支援：腫瘍・臓器・病変の輪郭を正確に把握する必要がある
• 自動運転・ADAS：走行可能領域、車線、歩行者の輪郭をピクセル単位で判定する必要がある
• 外観検査・製造業：不良箇所の形状・面積を測定する必要がある

逆に言えば、「物体がどこにあるか」が分かれば十分な用途（在庫のカウント、単純な検知アラートなど）であれば、Bboxで十分なケースも多くあります。まずは自分たちの用途がどちらに該当するかを見極めることが、遠回りを避ける第一歩です。

バウンディングボックスとセグメンテーションの違い

両者の違いを表で整理します。

単価だけを見るとセグメンテーションは高く感じますが、これは境界を1点1点きれいに描画する分、作業工数がかかるためです。用途に対してオーバースペックな精度を発注してしまうとコストが膨らむため、「本当にピクセル単位の精度が必要か」を事前に見極めることが重要です。

この2つ以外にも、キーポイント（骨格推定）や画像分類という形式があります。4種類の比較と選び方は画像アノテーションの種類と使い分けにまとめています。

セグメンテーションアノテーションを作る5つのステップ

ここでは、実務でセグメンテーションのデータセットを作る際の標準的な流れを5つのステップで解説します。

1. データを集める

まずは対象となる画像・動画を収集します。医療画像であれば撮影機器や施設によって画質・角度がばらつきやすく、自動運転であれば天候・時間帯・地域による見え方の違いを考慮する必要があります。学習後に精度が出ない原因の多くは、このデータ収集段階での「多様性の不足」にあります。

2. クラスとアノテーション仕様を決める

次に、「何を」「どこまで」ラベリングするかを定義します。ここでつまずきやすいのが、クラスの境界の曖昧さです。例えば「歩行者」と「自転車に乗った人」を別クラスにするか、隣接する物体同士の境界線をどう扱うか（一部重なりを許容するか、隙間を空けるか）といったルールを、作業前に明文化しておく必要があります。仕様が曖昧なまま作業を始めると、後から全件見直しになるケースも珍しくありません。

3. アノテーション作業を行う

仕様が固まったら、実際にポリゴンやブラシツールを使って輪郭を描画していきます。近年はSAM（Segment Anything Model）のような半自動ツールで下描きを作り、人間が修正するワークフローも一般的になってきています。ただし半自動ツールの出力をそのまま採用すると、境界の精度にばらつきが出やすいため、最終的な検品体制は必須です。

4. 形式変換・データ分割

作業後は、学習フレームワークに合わせてデータ形式を整えます。セグメンテーションでは、COCO形式のポリゴン座標やマスク画像（PNG）としてアノテーション結果を保存するのが一般的です。あわせて、学習用・検証用・テスト用にデータを分割します。

5. 学習・評価し、データに戻る

データが揃ったらモデルを学習し、IoU（Intersection over Union）などの指標で評価します。精度が思うように出ない場合は、モデル側だけでなく「どのクラスの境界が曖昧だったか」「どのシーンでデータが不足していたか」をデータ側にも立ち返って確認することが、精度改善の近道になります。

自作でつまずく3つのポイント

セグメンテーションを内製で進めるチームが、実際によくつまずくポイントを3つ紹介します。

• 境界の揺れ：作業者によって輪郭の描き方にばらつきが出やすく、複数人で作業すると一貫性の担保が難しくなります
• 検品コストの見落とし：作業そのものより、後工程の目視チェック・修正に想定以上の時間がかかるケースが多くあります
• エンジニアの本業時間が溶ける：本来モデル開発に充てたい時間が、地道なラベリング作業や仕様調整に取られてしまいます

いずれも、セグメンテーションが「1件あたりの作業が重い」作業種別であることに起因します。すべてを外注すべき、という話ではありませんが、これらの負荷を織り込んだうえで内製・外注を判断することをおすすめします。

小さく始める、PoCという考え方

「全何領域必要か」をいきなり厳密に見積もるのは簡単ではありません。まずは50〜100件程度の小さなデータセットでPoC（概念実証）を行い、モデルの精度傾向とアノテーション仕様の妥当性を確認してから、本格的なデータセット構築に進むのが現実的な進め方です。データ収集・前処理から着手が必要な場合も、この段階でまとめて設計しておくと後工程がスムーズになります。

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

内製と外注、どう使い分けるか

内製と外注、それぞれに向いているケースを整理します。

アノサポでは、画像・動画アノテーションとしてセグメンテーションに対応しており、サンプリング検品ではなく全量検収を行っています。品質一貫性は99.7%、納品後1年間は当社起因の不備を無償で修正します。初期費用・管理費は0円で、完全従量課金・最低発注数もありません。データが手元にない場合は、収集・前処理から一括で相談することも可能です。単価の詳細は料金ページでご確認いただけます。

料金プランアノテーション代行の料金は1ラベル6円〜。初期費用・月額固定費0円の完全従量課金で、最低発注の縛りもありません。画像・動画、3D点群・LiDAR、LLM評価まで単価を公開しています。annotation-support.com

なお、物体検出（Bboxベース）のアノテーションについては、こちらの記事で手順を詳しく解説しています。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の学習データの作り方を5ステップで解説。ラベル形式の書き方、クラス設計、アノテーション作業でつまずく3つのポイント、少量から始めるPoCの設計、外注する場合の費用相場まで、これから物体検出を始める方向けにまとめました。annotation-support.com

外注先の選定基準や費用相場の見方は、アノテーション代行の選び方｜費用相場と比較ポイント7つで詳しく解説しています。

よくある質問

セキュリティ体制アノサポのセキュリティ体制。ISO/IEC 27001(ISMS)認証を取得し、データを端末に残さない非保持・非ローカルの徹底、全スタッフとのNDA締結、案件ごとのチーム分離で、学習データを安全にお預かりします。annotation-support.com

まとめ

セグメンテーションは、Bboxでは足りない「形状の精度」が求められる場面で必要になる技術です。データ収集からクラス仕様の設計、作業、形式変換、学習・評価までの流れを押さえたうえで、まずは小さくPoCから始めることが遠回りを避けるコツです。内製・外注いずれの場合も、境界の一貫性と検品体制がデータ品質を左右します。

無料トライアルアノサポは、現在無料トライアルキャンペーンを実施中です。AIに必要なアノテーションデータを契約前に品質の確認したいというお客様の声から生まれました。ぜひみなさんお試しください。annotation-support.com

投稿 セグメンテーションアノテーションの作り方｜医療画像・自動運転での使い分けとPoCの始め方 は アノサポ｜AIアノテーション・学習データ作成の伴走パートナー に最初に表示されました。