---
title: "画像認識AIとは？仕組み・種類・できることと開発の進め方【2026年】"
url: "https://www.issoh.co.jp/column/details/12928/"
published: 2026-07-03
updated: 2026-11-15
categories: ["AI"]
publisher: "株式会社一創"
---

# 画像認識AIとは？仕組み・種類・できることと開発の進め方【2026年】

画像認識AIは、写真やカメラ映像に「何が」「どこに」写っているかを、機械学習で作ったモデルに判定させる技術です。2012年に深層学習の手法が画像認識コンテストで誤り率を大きく下げたことを境に実用化が進み、製造業の外観検査、帳票のOCR、店舗の人流分析などで使われています。この記事では、仕組み（CNN）と3つの基本タスクの違い、業務でできること、既製APIと自社モデルの分かれ目、精度の測り方と課題、開発の進め方までを、導入を検討する担当者向けに整理します。

## まとめ：画像認識AIの導入判断で先に決める2点

最初に決めるのは、やりたいことが**画像分類・物体検出・セグメンテーション**のどれに当たるかです。タスクが決まれば、使える既製APIの有無、必要な学習データの作り方、開発費の桁が見えてきます。

次に、精度を決めるのはアルゴリズムより**学習データ**だという前提で計画を立てることです。人・車・文字のような一般的な対象ならクラウドの画像認識APIで1,000枚単位の従量課金から試せますが、自社製品の傷や自社設備の状態のような固有の対象は、現場の照明・角度で撮った画像を集めて自社モデルを作る必要があります。精度の約束は「〇%」の一語でなく、見逃しと過検知を分けて決めてください。

## 画像認識AIの仕組み：機械学習による特徴の学習

画像認識AIは機械学習の応用分野の一つで、現在の主流は深層学習（ディープラーニング）です。ルールで判定する従来の画像処理と何が違うのかを押さえると、「なぜデータ集めが一番重いのか」も理解できます。

### ルールベースの画像処理と機械学習による画像認識の違い

従来の画像処理は、人が「この明るさ以上なら傷」「この形に一致すれば部品A」といったルールや特徴量を設計して判定します。照明や対象が固定された環境では今も有効で、処理が速く、判定理由も説明できます。

CNNなどを使う教師あり深層学習では、正解ラベル付き画像から特徴と判定を学習します。一方、機械学習には、人が設計したHOG特徴量をSVMで分類する方式もあります。深層学習は、人が言葉でルールにできない「熟練者なら分かる違和感」も学習できる一方、学習データに無い条件（照明の変化、新しい品種）には弱くなります。両者の使い分けは[画像処理AIとは？古典的手法とディープラーニングの使い分けを実装判断で解説](/tech/details/16856/)で実装の観点から比べています。

### CNNが画像の特徴を自動で学ぶ仕組み

画像認識で長く標準になってきたのがCNN（畳み込みニューラルネットワーク）です。小さなフィルタを画像全体にずらしながら掛ける「畳み込み層」で、最初の層は線や色の境目、深い層ほど部品の形や物体の一部といった、より複雑な特徴を拾うようになります。「プーリング層」は特徴マップを縮めて位置のずれに強くし、最後の層で「良品／不良品」などのラベルごとの確率を出します。

2020年代には、画像を小片に分けて文章のように扱うVision Transformer（ViT）や、画像とテキストを大量に事前学習した基盤モデルも広く使われています。どのモデルを選んでも、自社向けに作る際は事前学習済みモデルの転移学習が候補になります。特徴抽出器として使う方法と、重みを追加学習する方法があります。

### 深層学習で精度が実用水準に届いた経緯

転機になったのは、約120万枚・1,000クラスの画像を分類する国際コンテスト[ILSVRC 2012](https://www.image-net.org/challenges/LSVRC/2012/results)です。CNNを使ったトロント大学のチーム（AlexNet）が、上位5候補に正解が入らない割合（top-5誤り率）で15.3%を記録し、2位の26.2%を大きく引き離しました。

| 年    | 出来事             | top-5誤り率 |
| ---- | --------------- | -------- |
| 2012 | AlexNet（CNN）が優勝 | 15.3%    |
| 2015 | 人間の誤り率の推定値      | 5.1%     |
| 2015 | ResNetが優勝       | 3.57%    |

人間の5.1%は、500枚で練習した評価者1人がテスト画像1,500枚を分類した結果からの推定値です（[Russakovskyら](https://arxiv.org/abs/1409.0575)）。ResNetの3.57%は6モデルを組み合わせた値です（[Heら](https://arxiv.org/abs/1512.03385)）。「AIは人間より目が良い」という言い方はこの比較が出どころですが、あくまで1,000クラス分類という特定の課題での話です。工場の微細な傷や暗い現場の映像では、同じ水準は自動では出ません。

## 画像認識の種類：3つの基本タスクと派生タスク

画像分類・物体検出・セグメンテーションは、画像認識の代表的なタスクです。顔認識では特徴ベクトルの照合、OCRでは文字列の認識、異常検知では正常からの逸脱の評価も扱います。

| タスク       | 出力        | 業務の例      | 正解データの作り方        |
| --------- | --------- | --------- | ---------------- |
| 画像分類      | 画像全体のラベル  | 良品・不良品の判定 | 画像ごとにラベル         |
| 物体検出      | 位置（枠）＋ラベル | 棚の商品カウント  | 対象を枠で囲む          |
| セグメンテーション | 画素単位の領域   | 傷・錆の面積の測定 | 対象の輪郭を塗る         |
| 顔認識       | 顔の位置＋照合結果 | 入退室の本人確認  | 検出＋特徴の照合         |
| OCR（文字認識） | 文字列       | 請求書の読み取り  | 文字列を付与（必要に応じ領域も） |
| 異常検知      | 正常からの外れ度  | 不良の少ない検査  | 主に正常画像だけ         |

上の3行は、分類→検出→セグメンテーションの順に得られる情報が細かくなり、それに比例して正解データ作り（アノテーション）の手間も増えます。「不良かどうかだけ知りたい」なら分類で足り、「傷の面積で合否を分けたい」ならセグメンテーションが要ります。要件をこのどれかに言い換えることが検討の出発点です。画素単位の手法と評価指標は[セマンティックセグメンテーションとは？仕組み・代表モデル・活用例とmIoUの計算をPyTorchで解説](/tech/details/8657/)、アノテーションの進め方は[アノテーションとは？AI・機械学習の教師データ作成の種類・やり方・品質管理を解説](/column/details/13311/)で扱っています。

### 物体検出の代表手法YOLOと2段階検出器

物体検出でよく名前が挙がるYOLO（You Only Look Once）は、2015年に[Redmonらが発表](https://arxiv.org/abs/1506.02640)した手法です。画像を1回通すだけで物体の位置と種類を同時に出すため速く、動画のリアルタイム検出に向きます。候補領域を先に絞ってから分類する2段階検出器（Faster R-CNN系）は、速度より精度を優先する場面で選ばれてきました。

YOLOには研究者や企業による複数の系列があります。Ultralytics社もライブラリを提供しており、[同社のモデル一覧](https://docs.ultralytics.com/models/)では2026年1月公開のYOLO26が最新世代です。版を先に決めるより、「1秒に何枚処理するか」「どの大きさの物体を見逃せないか」を数値で決め、候補の版をその条件で比べるのが確実です。各手法の比較は[物体検出とは？仕組み・代表手法の比較から実装判断までエンジニア向けに解説](/tech/details/15323/)、Pythonでの実装とライブラリ選びは[Pythonで画像認識をする手順とライブラリ比較](/column/details/7417/)にまとめています。なお、Ultralyticsのライブラリは[AGPL-3.0と有償のEnterpriseライセンス](https://www.ultralytics.com/license)で提供されており、自社製品に組み込んで外部に提供する場合はどちらの条件に当たるかの確認が必要です。

## 画像認識AIでできること：業務別の適用例

企業での適用例を、外観検査、OCR、カメラ映像分析に分けて紹介します。

### 製造業の外観検査：目視検査の置き換え

製造ラインの外観検査では、見逃し件数、再検査件数、検査時間で導入効果を評価します。傷・欠け・異物・印字ずれをカメラ画像から見つけ、検査員による判定のばらつきと見逃しを減らします。熟練検査員の退職で基準が保てない、夜勤の人手が足りない、といった現場で採用が進んでいます。

外観検査に特有の難しさは、不良品の画像が正常品に比べて極端に少ないことです。正常画像から異常を検出する方法には、事前学習済みネットワークで正常画像の特徴を蓄え、入力画像と比較する[PatchCore](https://arxiv.org/abs/2106.08265)があります。不良画像を増やすデータ拡張では、回転や明るさ変更が実際の撮影条件や不良の定義を壊さないか確認します。検査工程に絞った判断材料は[AI外観検査とは？仕組み・ルールベースとの違いと導入判断を解説](/column/details/16007/)で、学習方式の選び方と費用の構造まで整理しています。

### OCR・帳票の読み取り

文字を読み取るOCRも画像認識の一分野です。深層学習を使うAI-OCRは手書き文字や罫線の多い帳票にも対応し、請求書や申込書の入力作業を置き換えています。読み取った値を基幹システムへ渡すところまで設計すると、入力と転記の工程をまとめて減らせます。例えばGoogle Cloud Vision APIのDOCUMENT\_TEXT\_DETECTIONは手書き文字の検出に対応しています。導入前には自社の帳票を種類・画質・記入方法別に試し、項目ごとの誤読率を確かめます。

### 店舗・施設のカメラ映像分析と個人情報の扱い

カメラ映像を使う例には、来店者数のカウントと動線分析、工事現場のヘルメット着用検知、立入禁止区域への侵入検知などがあります。人物を扱う場合は、技術選定と同じ重さで個人情報保護法への対応を設計に入れてください。

特に顔識別機能を使う場合、個人情報保護委員会のQ&A（[Q1-14](https://www.ppc.go.jp/all%5Ffaq%5Findex/faq1-q1-14%5F)）は、防犯目的であることだけでなく「顔識別機能を用いていることも明らかにして、利用目的を特定しなければなりません」としています。カメラの外観からは顔識別の有無が分からないため、利用目的を本人に通知するか公表する必要があり、入口や設置場所への掲示が望ましいとされています。顔識別まで行わない商用のカメラ利用でも、経済産業省・総務省の[カメラ画像利活用ガイドブックver3.0](https://www.meti.go.jp/press/2021/03/20220330001/20220330001.html)（2022年3月30日公表）が、事前告知や生活者への説明といった配慮事項を具体例つきで整理しています。人数を数えるだけなら顔画像を保存しない設計にする、保存期間を決める、といった判断は要件定義の段階で済ませておきます。

## 既製の画像認識APIか自社モデルか：できる範囲と料金

人・車・一般的な物体・文字の認識なら、まず既製APIの標準機能を試せます。モデル開発を省ける場合でも、業務システムとの連携や評価には工数がかかります。主な3社とも、画像1枚に1機能を使うごとに1回分として数える従量制です。

| サービス                    | 無料枠             | 単価・提供状況                            | 独自データの学習            |
| ----------------------- | --------------- | ---------------------------------- | ------------------- |
| Google Cloud Vision API | 機能ごとに月1,000ユニット | ラベル検出1.50ドル／1,000ユニット（月1,001〜500万） | Vertex AI           |
| Amazon Rekognition      | 新規向けクレジット       | 画像枚数単位・地域別                         | Custom Labels       |
| Azure AI Vision         | F0（無料レベル）       | 2028年9月25日廃止予定                     | Custom Vision（同日廃止） |

課金は機能ごとに別々です。[Cloud Vision APIの料金表](https://cloud.google.com/vision/pricing?hl=ja)では、通常従量料金の月1,001〜500万ユニットの部分は、1,000ユニットあたりラベル検出が1.50ドル、Object Localizationが2.25ドルで、1枚にラベル検出と文字検出を両方かければ2ユニットです。[Amazon Rekognition](https://aws.amazon.com/rekognition/pricing/)も「1枚の画像に複数のAPIを実行すると複数枚の処理として数える」と明記しています。Azureは[Image Analysis 4.0](https://learn.microsoft.com/en-us/azure/ai-services/computer-vision/overview-image-analysis)とCustom Visionがともに2028年9月25日の廃止を告知しており、これから使い始める選択肢にはなりません。単価は改定や地域で変わるため、見積もり前に各社の料金ページで確かめてください。主要4社の機能と無料枠の比較は[画像解析API（画像認識API）とは？できること・料金・無料枠を主要4社で比較](/tech/details/2591/)、AWSの標準ラベルで足りる範囲と自前モデルへの切り替え条件は[Amazon Rekognitionとは？できること・API・料金と自前モデルとの使い分け](/tech/details/15902/)で詳しく扱っています。

一方、自社製品の特定の不良や、自社設備の特定の状態は既製APIの標準ラベルにはありません。この場合は自社データでモデルを作ることになります。Azureの[Custom Vision](https://learn.microsoft.com/ja-jp/azure/ai-services/custom-vision-service/migration-options)のように、Microsoft自身がAzure Machine LearningのAutoMLへの移行を案内しているサービスもあるため、クラウドの学習機能を使う場合でも、学習データとラベルを自社で持ち出せる形で保管しておくと乗り換えで困りません。

### 生成AI（マルチモーダルLLM）と専用モデルの使い分け

ChatGPTやGeminiのように画像を入力できる生成AIも、写っている物の説明や文字の読み取りができます。少量で形式がばらばらな画像を柔軟に解釈する用途（問い合わせに添付された写真の一次仕分けなど）なら、学習なしで使える生成AIが速い選択です。

反対に、製造ラインの全数検査のように「大量・高速・毎回同じ基準」で判定する処理には専用モデルが向きます。生成AIは1枚ごとの応答に数秒かかることがあり、同じ画像でも回答の言い回しが揺れ、枚数に比例して利用料も増えるためです。固定のラベルとスコアを返す専用モデルは、結果の集計やしきい値管理に使えます。ただし、ラベルとスコアだけで判定理由を説明できるわけではありません。

## 画像認識AIの課題：検証では高精度でも現場で崩れる原因

画像認識AIの導入では、モデル性能に加えてデータと運用も検証します。以下では、撮影条件、データの偏り、運用中の変化、説明、人物データの扱いを確認します。

- **撮影条件のずれ**：学習用の画像を事務所や別ラインで撮ると、本番の照明・角度・背景で精度が落ちる
- **データの偏り**：不良品や珍しいケースの画像が少なく、そこだけ見逃す
- **時間による劣化**：季節の日照、製品の切り替え、カメラ交換で入力が変わり、精度が徐々に下がる
- **判定理由の説明**：深層学習は判定の根拠が見えにくく、品質保証部門や監査への説明に困る
- **人物データの規律**：顔や行動を扱う場合、利用目的の公表と保存期間の設計が無いと導入後に止まる

最初の3つは、撮影条件のずれ、少数クラスの学習例不足、運用中の入力分布の変化という別々の問題です。撮影条件のずれには本番と同じ設置条件で学習データを集め、少数クラスには異常検知やデータ拡張で補い、運用中の変化には誤判定の画像を集めて再学習する仕組みを最初から予算に入れて備えます。判定理由の説明では、Grad-CAMが予測に関係する画像領域を粗いマップで示し、誤判定の調査を補助します。ただし、品質保証や監査への説明には、可視化に加えて評価結果や判定条件の記録も必要です。

導入を見送るべき場面もあります。判定ルールを人が言葉で書ける（寸法が規格内か、色が基準値か）なら、ルールベースの画像処理の方が安く、説明もしやすい選択です。年に数件しか起きない不良を見逃し0件で検出したい、といった要件も、学習データが集まらないため画像認識AIだけで満たすのは難しく、目視の工程を残す前提で設計します。

## 画像認識の精度の測り方：適合率・再現率とIoU・mAP

「正解率99%」という数字だけでは、使えるモデルかどうかは分かりません。不良率1%のラインで「全部良品」と答えるモデルも正解率は99%になるからです。評価は誤りの種類を分けて行います。

| 指標             | 意味                | 重視する場面         |
| -------------- | ----------------- | -------------- |
| 再現率（Recall）    | 本物の不良のうち検出できた割合   | 見逃しが許されない検査    |
| 適合率（Precision） | 不良と判定したもののうち本物の割合 | 過検知で再検査が増える工程  |
| IoU            | 予測と正解の共通部分÷和集合    | 物体検出・セグメンテーション |
| mAP            | クラスごとの平均適合率の平均    | 検出モデル同士の比較     |

判定のしきい値を下げると再現率は上がるか変わりませんが、適合率は上下し得ます。両者の関係は評価データで確かめます。不良品検査なら、まず再現率の下限、つまり見逃し率の上限を決め、その条件のもとで適合率と過検知による再検査件数を評価するのが実務的な順番です。物体検出では、予測枠と正解枠の重なり（IoU）が一定以上なら正解と数え、そのうえでmAPを出します。代表的なベンチマークの[COCO](https://cocodataset.org/#detection-eval)は、IoUのしきい値を0.50から0.95まで0.05刻みの10段階で変えて平均したAPを主指標にしているため、論文の数字と自社の評価条件をそろえて比べる必要があります。

評価に使う画像は、学習に使っていない、本番と同じ条件で撮ったものを用意します。検査工程ごとの精度評価の置き方は[画像検査とは？検査タスク別のアルゴリズム選定と精度評価の置き方を実装目線で解説](/tech/details/16886/)で扱っています。

## 画像認識AIの開発の進め方：要件定義から運用・再学習まで

導入を決めた後の工程と、外注する場合に確認すべき点です。

### 開発の5工程と工数がかかる場所

1. 要件定義：検出対象・判定基準・見逃しと過検知の許容値・処理速度を数値で決める
2. データ収集：本番の設置環境と同じ条件で画像を集める
3. アノテーション：画像に正解ラベル（種類・位置・領域）を付ける
4. 学習と評価：事前学習済みモデルに追加学習させ、学習に使っていない画像で評価する
5. 運用と再学習：本番の誤判定を集め、定期的にモデルを更新する

精度を左右するのは、モデル作りより2と3のデータ準備です。アノテーションは作業者によって枠の付け方や判定の境目がぶれるため、判定基準書を作り、同じ画像を複数人に付けさせて一致率を確かめる工程が要ります。運用開始後は撮影条件の変更時に性能を再評価し、必要に応じて撮影環境の調整や再学習を行うため、モデルは「作って終わり」ではなく更新し続ける資産として予算を組んでください。

### 画像認識AIの外注：精度目標・費用内訳・権利の確認事項

開発を外注する場合は、次の点を見積もりの段階で確かめます。

1つ目は精度目標の決め方です。「精度99%」という合意だけでは、見逃しと過検知のどちらをどこまで許すかが決まっていません。評価に使う画像を誰が用意し、どの指標で合否を判定するかを契約前に文書にします。2つ目は費用の内訳で、モデル開発費とデータ収集・アノテーション費を分けて出してもらいます。後者は枚数とラベルの細かさで大きく変わります。3つ目は学習済みモデルと学習データの権利で、再学習を別の会社に頼めるかどうかがここで決まります。AI開発全体の費用相場と内製・外注の判断軸は[AI開発とは？工程・費用相場・内製と受託の判断基準](/column/details/13319/)で整理しています。

一創の[画像認識AIモデル構築](/service/ai/image%5Frecog/)では、PoC（試作検証）で自社データでの到達精度を確かめてから本開発へ進む段階的な進め方をとっており、データ収集とアノテーションの設計から相談できます。

## よくある質問

### 画像認識AIの開発にはどのくらいの画像が必要ですか？

一創の公式案内では、1分類あたり数百〜数千枚を一つの目安とし、転移学習なら少ない枚数で対応できる場合もあるとしています。手持ちの画像で試作し、不足する条件の画像を追加します。必要な枚数は対象の見分けにくさで大きく変わるため、最初から枚数を決め打ちしないでください。枚数より効くのは多様性で、本番の照明・角度・背景のばらつきを含まない画像は、いくら増やしても現場の精度を上げません。

### 画像認識と画像処理・画像解析の違いは何ですか？

画像処理は、明るさの補正やノイズ除去、輪郭の抽出など画像そのものを加工する技術の総称です。例えばOpenCVのGaussianBlurは、画像を平滑化する画像処理の関数です。画像認識は、その画像に何が写っているかを判定する技術を指します。画像解析は両者を含めて、画像から数値や情報を取り出すこと全般を指す言葉として使われます。実際のシステムでは、画像処理で前処理をしてから認識モデルに渡す組み合わせが一般的です。

### YOLOとは何ですか？どんな場面で使われますか？

YOLOは物体検出の代表的な手法群で、画像を1回処理するだけで物体の位置と種類を同時に出すため高速です。来店者のカウント、車両の検知、作業者の安全装備の確認など、動画をリアルタイムで処理する用途に向きます。版によって速度と精度、ライセンス条件が違うため、必要な処理速度と検出対象の大きさから候補を絞って比べます。

### ChatGPTのような生成AIでも画像認識はできますか？

できます。画像を入力できる生成AIは、写っている物の説明や文字の読み取り、簡単な分類に使えます。少量で形式がばらばらな画像の解釈には便利ですが、応答時間・1枚あたりの費用・判定の一貫性の面で、大量の画像を同じ基準で判定する検査には専用モデルが向きます。

### 画像認識AIの導入費用はどのくらいかかりますか？

既製のAPIを使うだけなら初期費用はほぼかからず、Google Cloud Vision APIは機能ごとに月1,000ユニットまで無料で、ラベル検出の通常従量料金は月1,001〜500万ユニットが1,000ユニットあたり1.50ドル、500万ユニットを超える部分は1.00ドルです。一創の公式案内では、画像認識AIの費用目安をPoCで100万〜300万円、本番向けのモデル構築とシステム組み込みで300万〜1,000万円としています。これは案件条件によって変わる目安です。金額はデータ収集とアノテーションの量に大きく左右されるため、見積もりはモデル開発費とデータ準備費を分けて比べてください。

## 関連記事

- [物体検出とは？仕組み・代表手法の比較から実装判断までエンジニア向けに解説](/tech/details/15323/)
- [AI外観検査とは？仕組み・ルールベースとの違いと導入判断を解説](/column/details/16007/)
- [画像解析API（画像認識API）とは？できること・料金・無料枠を主要4社で比較](/tech/details/2591/)
- [Pythonで画像認識をする手順とライブラリ比較｜PyTorch・OpenCV・YOLOの選び方【2026年11月】](/column/details/7417/)
- [音声認識とは？AIの仕組み・精度の考え方・業務導入の判断基準を解説](/column/details/12929/)

---

出典: [画像認識AIとは？仕組み・種類・できることと開発の進め方【2026年】](<https://www.issoh.co.jp/column/details/12928/>)（株式会社一創）
