AnnoBoostとは：YOLO/COCOアノテーション作業を軽くするローカル型デスクトップアプリ

こんにちは。
このアカウントでは、画像アノテーション作業の工数削減を目的として開発しているデスクトップアプリ「AnnoBoost」について、基本機能・使い方・開発過程などを紹介していきます。

今回は最初の記事なので、まずは「AnnoBoostとは何か」「どのような価値を目指しているのか」を紹介します。

なぜAnnoBoostを開発したのか

開発者自身、学生時代や仕事の中でYOLOを使った画像認識AIに触れる機会が多くありました。

その中で何度も感じたのが、モデルそのものよりも、データセット作成にかかる工数の重さです。

数千枚から数万枚の画像に対して、1枚ずつBBoxを描き、ラベルを付けていく作業は非常に時間がかかります。
単純に作業時間が長いだけでなく、集中力、精神的な負荷、手首や指、目の疲労など、さまざまな面で負担が大きい作業です。

私は、このラベリング作業を少しでも軽くしたいと考えていました。
その課題を解決するために開発したのが、AnnoBoostです。

AnnoBoostとは

AnnoBoostは、YOLO/COCO向けのアノテーション作業を軽くするためのローカル型デスクトップアプリです。

完全に人間の作業をなくすことを目的にしたツールではありません。
少数の手動ラベルを起点に、学習・自動ラベル提案・人間による確認・エクスポートまでをつなげることで、実用的に作業量を減らすことを目的としています。

基本的なワークフロー

AnnoBoostの基本的な流れは以下の通りです。

1. 全体の画像データから、少数の画像を抜き出す

2. 抜き出した画像に対して、手動でBBoxラベルを作成する

3. 少数のラベル付きデータをもとに、データを水増しする

4. データセット形式に変換する

5. 水増ししたデータセットで学習する

6. 学習済みモデルを使い、残りの画像に自動ラベルを提案する

7. 自動ラベルの結果を人間が確認・修正する

8. YOLOやCOCOなどの形式でエクスポートする

この流れにより、すべての画像を最初から最後まで手作業でラベリングする必要を減らします。

開発者の検証環境では、このワークフローによって最大約70%の工数削減が見込める結果が得られました。

また、元データの量が多い場合や、寝る前などに重めのパラメータで学習を回す場合には、人間が作業していない時間も活用できるため、さらに体感的な作業負担を軽くできる可能性があります。

目指しているもの

AnnoBoostが目指しているのは、完全自動化ではありません。

画像アノテーションでは、自動ラベルの結果を人間が確認する工程が重要です。
そのためAnnoBoostでは、「AIに任せきる」のではなく、「人間が確認する前提で、手作業を減らす」ことを重視しています。

今後の記事では、AnnoBoostの基本的な使い方、各機能、開発中の改善点、実際のワークフローなどを紹介していきます。

まずはTrialで試せます

AnnoBoostは、現在Trialから試せるようにしています。

YOLO/COCO形式のデータセット作成や、BBoxアノテーション作業に時間がかかっている方は、まずは実際に触ってみてください。

まだ改善を重ねている段階なので、使ってみた感想や、「こういう場面で使いたい」「ここが分かりにくい」といったフィードバックも歓迎しています。

公式サイトはこちらです。
https://annoboost.vercel.app