Azure AI Custom Vision で物体検出モデルを学習・公開する

既製の Vision API は「画像に何が写っているか」までは教えてくれるが、「自社の特定の部品がどこにあるか」までは知らない。棚に並んだ商品、製造ラインの不良品、書類上の印鑑——こうした自分のドメイン固有の対象を画像内で四角く囲んで検出したいとき、必要になるのが自前で学習させる物体検出モデルだ。

Custom Vision はそのためのサービスで、画像にバウンディングボックスを引いてタグを付けるだけで、独自の検出器を学習できる。学習済みの汎用モデルを呼ぶ image-analysis 系のラボとは根本的に異なり、ここでは「モデルそのものを自分で作る」体験をする。

進め方としては、まず学習用と推論用の 2 つの Custom Vision リソースを Azure 側に用意し、そのうえで customvision.ai ポータルに移ってプロジェクトを作る。画像をアップロードして対象を一つずつ四角で囲み、学習を回し、性能(適合率・再現率・mAP)を読み取り、イテレーションを公開して、最後にクイックテストで新しい画像に対する推論を確かめる。

GPU も機械学習の知識も要らず、ブラウザの操作だけで完結する。前提として、Contributor 相当の一時ユーザーでサインイン済みの Azure Portal と、単一リソースグループ・japaneast リージョンを使う。

> このラボのリソースはすべて japaneast リージョン・割り当て済みの単一リソースグループ内に作成します。新しいリソースグループは作成しないでください。

0. このラボで作るもの

Custom Vision は「学習(Training)」と「推論(Prediction)」で課金とエンドポイントが分かれており、Azure 側には 2 つのリソースが必要です。ポータルの作成画面では両方をまとめて作れます。学習用画像は、Microsoft が公開しているサンプル画像セット(フォークとはさみの 2 種類)をベースに使います。

このラボでは Cognitive Services アカウントを 2 つ消費します(Training + Prediction)。環境の上限ちょうどなので、ほかの Cognitive Services を追加で作らないでください。

時間配分の目安は、リソース作成と画像入手で 10〜15 分、タグ付けで 15〜30 分、学習・公開・テストで 10〜15 分です。タグ付けが最も時間を取るので、早めに進めましょう。

• クイックスタート: Custom Vision で物体検出器を構築する — 本ラボのベースとなるポータル操作の公式手順。タグあたり最低 30 枚の推奨もここに記載。
• Custom Vision サービスとは — 分類と物体検出の違い、ドメインや対応ブラウザーの概要。
• モデルの精度を上げる(画像の量・質・多様性) — 画像のばらつき・枚数・タグ付けのコツ、Overlap Threshold の補足。
• 予測 API でモデルを使う — 公開済みイテレーションをコードから呼び出す方法。
• サンプル画像セット(fork / scissors) — 手順 2 で使う学習用画像。