多品種ラインでアノテーションがボトルネックになる構造
AI画像検査の導入で最も時間とコストがかかるのがアノテーション（教師データ作成）です。1枚の検査画像に対して、欠陥の位置・種類・範囲をラベル付けする作業。品種が1〜2種類なら何とかなりますが、多品種ラインでは構造的に破綻します。
品種数とアノテーション工数の関係
| 品種数 | 必要な教師データ | アノテーション工数（目安） | アノテーション費用（目安） |
|---|---|---|---|
| 1品種 | 500〜1,000枚 | 1〜2週間 | 25〜50万円 |
| 5品種 | 2,500〜5,000枚 | 1〜2ヶ月 | 125〜250万円 |
| 10品種 | 5,000〜10,000枚 | 2〜4ヶ月 | 250〜500万円 |
| 50品種 | 25,000〜50,000枚 | 1年以上 | 1,250〜2,500万円 |
しかもこれは初期構築時だけの話ではありません。品種追加のたびに同じ工程が発生します。季節限定品やコラボ商品のように短期間しか生産しない品種では、アノテーションが終わる頃には生産が終わっている、という笑えない事態も起きます。
アノテーションの何が大変なのか
①作業者に専門知識が必要
「これはキズか汚れか」「許容範囲内か」の判断には検査の専門知識が必要。外注すると品質にバラつきが出る。社内でやると検査員の時間を奪う。
②不良パターンの網羅が困難
キズ・汚れ・変形・異物・変色——不良パターンごとに十分なサンプルが必要。特定パターンの不良が年に数回しか発生しないことも。
③品種ごとに「正常」が異なる
品種Aの正常な外観は品種Bでは不良になりうる。品種ごとに判定基準が異なるため、アノテーション基準の統一が難しい。
④やり直しが頻発する
AIモデルの精度が出ないとき、原因がアノテーションの品質にあることが多い。ラベルのつけ方を修正して再アノテーションが発生。
VLMによるアノテーション工数削減の3つのアプローチ
Nsightはルールベース＋従来AIで検査を行い、VLMは「学習コストを下げる武器」として裏方で活用します。具体的には以下の3つの機能でアノテーション問題を解決し、パッケージ化していく方針です。
①NG画像生成
VLMを活用して不良品画像を生成し、学習データの不足を補完。実際のNG品が少ない初期段階でも検査精度を確保できる。
「キズのパターンを5種類生成」「汚れの位置をランダムに変えて100枚生成」のように、不足している不良パターンをピンポイントで補完。
②アノテーション自動化
VLMが検査画像のラベル付けを自動で行い、人手によるアノテーション工数を削減。完全自動ではなく、VLMが下書きを作成→人が確認・修正する「半自動」アプローチ。
③ブラウザベースの学習機能
現場のオペレーターがブラウザ上で直感的にAIモデルの学習・調整を行える仕組み。専門知識が不要になることでお客様の運用負荷を下げる。
これらの機能により、お客様にとっての使いやすさを高めると同時に、各現場の検査データを蓄積できる構造を作ります。
従来アプローチとの比較
| 項目 | 従来（人手アノテーション） | Nsight VLMハイブリッド |
|---|---|---|
| 初期アノテーション工数 | 品種数×数百〜数千枚 | VLMオートアノテーション＋人の確認 |
| 品種追加時の工数 | 毎回同じ工数が発生 | NG画像生成で初期データを即補完 |
| 不良パターン不足時 | 実物が出るまで待つ | VLMが不良画像を生成 |
| アノテーション品質 | 作業者のスキルに依存 | VLMが一貫した基準で自動付与 |
| 運用中のデータ蓄積 | 別作業として実施が必要 | ブラウザUIで自然に蓄積 |
ラベル文字認識はアノテーション自体が不要
賞味期限・ロット番号・産地情報等のラベル文字認識・照合については、VLMが学習なしで文字の位置と意味を理解し、マスターデータと照合します。この用途ではアノテーションの問題自体が発生しません。
データが溜まる好循環
データが溜まる好循環
ブラウザベースの学習機能がデータ蓄積の仕組みそのもの。現場が学習を行うたびに検査データが蓄積される構造を作ることで、カスタムメイド案件をこなす＝データが溜まる＝精度が上がるという好循環を回します。
「アノテーションが大変だからAIは無理」は過去の話
多品種ラインでアノテーション工数がネックになってAI検査を断念していた方へ。VLMによるNG画像生成・アノテーション自動化・ブラウザベースの学習機能の組み合わせで、アノテーションのボトルネックは解消できます。
まずはサンプル画像をお送りください。検査対象に対してVLMがどの程度のアノテーション品質を出せるか、無料で検証します。