AWS、産業安全AIの訓練データを自動生成するパイプラインを発表――危険シーンの人物検知精度が最大160%向上

要点

• 米AWSは、産業用重機向けの安全管理AIにおいて、危険シナリオの訓練画像を自動生成・ラベル付けする合成データ拡張パイプラインを公開した。

• Amazon SageMaker AI上に構築した拡散モデル「Qwen-Image-Edit-2509」と「Amazon Rekognition」のAPIを連携させ、手作業を排した2段階の生成プロセスを実現した。

• 重機の死角や軌道上などに人がいる危険な状況を、背景や照明を維持しながら実写画像へ写実的に合成し、自動で境界枠（バウンディングボックス）を付与する。

• 人手による危険な現場撮影やアノテーションを行わずに、人物検知モデルの精度指標であるmAP50が最大160%向上したことが実証された。

• 米Amazon Web Services（AWS）は現地時間2026年9月17日、公式ブログ「AWS ML Blog」において、産業現場の安全管理AI向けに写実的な合成画像を生成し、自動でラベル付けを行う新たなデータ拡張パイプラインを発表した。クラウド機械学習プラットフォーム「Amazon SageMaker AI」と画像認識サービス「Amazon Rekognition」を組み合わせたもので、データ収集が困難な危険状況における人物検知モデルの性能を大幅に改善できるとしている。

重機安全システムが直面する「危険シーンのデータ不足」

産業安全AIは、コンピュータビジョンや予測分析技術を活用して職場の危険を検知し、事故を未然に防ぐためのシステムだ。農業、建設、鉱業、製造業といった分野で自律稼働する機器の導入が進むなか、機械の周囲にいる作業員や歩行者を正確に認識する高精度な人物検知モデルが強く求められている。

しかし、事故を防ぐうえで最も重要となる「機器の死角に作業員がいる」「稼働中のアタッチメントの近くに子どもがいる」「線路上や車両の進行方向に人が立っている」「機器によじ登っている」といった重大な危険シナリオは、AIの学習用画像を取得することが極めて難しいというボトルネックが存在していた。AWSは、このデータ収集において以下の4つの課題があると指摘している。

• 安全性と倫理の制約: 撮影を目的として、子どもなどの保護対象を含む人間を稼働中の危険な機械の近くに配置することは、倫理的にも安全面でも許容されない。
• 実データの希少性と不均衡: 最も警戒すべき危険事象は自然に収集されるデータセットの中では発生頻度が極めて低く、深刻なクラス不均衡（データの偏り）を引き起こす。
• コストと拡張性の限界: 人手によるデータ収集とアノテーション（画像への正解ラベル付け）は1画像あたり推定3〜5ドルと高額であり、作業チームの処理能力も1日あたり約2,000枚規模にとどまる。
• エッジデバイスの計算制約: 検知モデルはトラクターやフォークリフト、鉄道車両などに搭載されたカメラ付きエッジ機器で稼働するため、モデルサイズが軽量な構造に制限され、限られた学習データの質が検知精度に致命的な影響を与える。

こうした制約から、検知に失敗した際のリスクが最も高い重大シナリオにおいて、エッジモデルに十分な訓練データを提供できない状態が続いていたという。

拡散モデルとRekognitionを統合した2段階の生成アーキテクチャ

AWSが今回示したソリューションは、人手による撮影やアノテーション作業を完全に排除したエンドツーエンドの合成データ拡張パイプラインである。この仕組みは、大きく2つのステージに分かれて処理を実行する。

第1段階は「写実的な合成画像の生成」だ。クラウド基盤のAmazon SageMaker AI上にホストされた拡散ベースの画像編集モデル「Qwen-Image-Edit-2509」を使用する。このモデルは、実際の作業現場で撮影されたシーン画像に対し、元の背景、照明条件、遠近感やスケールを正確に維持したまま、合成された人物を自然に挿入する。

第2段階は「完全自動のラベル付け」となる。画像認識サービスのAmazon Rekognitionが提供する「DetectLabels API」を呼び出し、生成された画像内に挿入された人物の位置を自動検出する。これにより、人物を囲むバウンディングボックス（矩形の境界枠）の正解データが自動的に生成され、人間によるタグ付け作業を行うことなく、即座に物体検知モデルの訓練に利用可能なデータセットが完成する。

危険撮影なしで人物検知精度（mAP50）が最大160%向上

AWSが実施した実験によると、この合成データ拡張パイプラインを適用した結果、人物検知モデルの性能指標であるmAP50（IoU閾値0.5における平均適合率の平均。検出領域の重なりが50%以上の一致度で算出される検知精度の評価基準）が最大160%向上したという。

人手による危険な現場撮影やコストのかかるアノテーション作業を一切行うことなく、エッジ環境向けの軽量モデルに対しても、危険シナリオを正確に認識させるための十分な学習シグナルを与えられることが示された形だ。