【事例から学ぶ】OMS・DMS（ドライバー・乗員モニタリング）システム向け学習データ収集・アノテーションプロジェクト

発信者：Nexdata 日時： 2025-08-14

Nexdataは2011年からAIプロジェクトにデータ支援を提供してまいりました。ラベル済みの既製データ提供以外に、画像・動画・音声・テキスト・点群などのデータアノテーションも1万件以上対応してきました。グローバル的なデータニーズにお応えする中、各業界のデータ難題を深く認識、効率の良い対応法を練り上げました。

今回は、自動車メーカー様から依頼されたOMS（乗員モニタリングシステム）＋DMS（ドライバーモニタリングシステム）開発のためのデータ収集プロジェクトについて解説します。データ収集の品質管理に課題を感じている方、他社との差別化ポイントを明確にしたい方には必見の内容です。

プロジェクト概要

本プロジェクトは、自動車メーカーが次世代スマートキャビンシステムの開発に必要なトレーニングデータを収集するものでした。500人の被収集者を対象に、年齢・性別・装備品の多様性を厳密に管理したデータ収集・アノテーションを実施。特に以下の点に重点を置いて実施しました。

対象データ：車内シミュレーション環境下での運転行動・乗員行動

データ品質要件：

顔の検出と顔のキーポイント（目・鼻・口）の高精度アノテーション

道具（眼鏡・タバコ・コップなど）の位置と動作のトラッキング

属性タグの正確な付与（眼鏡有無・タバコの種類など）

特記事項：

マスク未着用（顔認識精度向上のため）

眼鏡有無の比率1:1厳守

サングラスの透光率別データ収集

データ収集の課題と解決策

本プロジェクトでは、自動車業界特有のデータ収集課題が顕在化しました。これらに適切に対応することで、高品質なトレーニングデータの構築が可能となりました。

多様な属性の組み合わせ管理

OMS＋DMSシステムの精度向上には、単なるデータ量だけでなく「属性の組み合わせ」が重要です。特に以下の点が課題となりました。

眼鏡の種類管理：普通眼鏡5種＋サングラス5種（透光率0%・30%・50%・70%・100%）を網羅

タバコの形状管理：太い（8mm以上）・細い（7mm以下）を1:1比率で用意

照明条件の変化対応：サングラスの透光率ごとに最適な撮影環境を設定

他社の提案では「人数500人確保」に終始するケースが多かった中、Nexdataは「属性の組み合わせを数式で管理」する独自手法を適用。年齢層（3区分）× 眼鏡有無 × タバコ形状 × 帽子有無の全パターンを網羅しました。

被収集者の自然な動作確保

データの価値を高めるためには、被験者の「自然な動作」が不可欠です。しかし、以下の問題が発生しやすくなります。

被験者が「不自然な動作」をするため、データが歪む

照明条件が不適切で、顔認識精度が低下

マスク装着者によるデータの無効化

Nexdataは運転シミュレーターを用いた事前トレーニングを実施。被験者が自然な運転姿勢を取れるよう指導し、データの歪みを防止しました。

環境管理の最適化

照明条件の細分化：

サングラスの透光率に応じて照明を調整（例：透光率0%時は補光灯追加）

昼間・夜間のシミュレーション環境を用意

道具の多様性確保：

タバコ10種類・コップ5種類・帽子5種類を厳密に管理

太い・細いタバコの比率を1:1に維持

品質担保体制

OMS＋DMSシステムのデータは、安全性に直結するため、品質管理が極めて重要です。Nexdataは以下の3層構造による品質管理体制を敷きました。

収集者レベル

被収集者の属性確認を現場で即時実施

不自然な動作をしたデータは即時再収集

照明条件の適切性を随時チェック

工程レベル

収集データのリアルタイム分析で不足シナリオを特定

3日ごとに網羅率を確認し、必要に応じて追加収集

眼鏡有無・タバコ形状の比率を±5%以内に維持

全体統制レベル

自社開発したアノテーションプラットフォームを活用しています。本プラットフォームは、画像の物体検出（バウンディングボックス）、顔のランドマーク検出など、多様なアノテーション作業に対応可能です。

プロジェクト要件に合わせて、画像用テンプレートを柔軟にカスタマイズでき、属性ラベルの設定や多言語入力にも対応。さらに、バックエンドで作業進捗や品質を常時モニタリングできるほか、「アノテーション → 一次検品→ 二次検品 → 最終検品」の多段階品質検査フローを設定することで、複数回のチェックによるデータ品質の確保を実現しています。

本プロジェクトから活用可能なノウハウ

本プロジェクトでは、以下のような技術的・運用的知見が蓄積されており、他の自動車関連プロジェクトにも資する成果を得ています。

属性組み合わせの数式化管理手法：年齢層・装備品・動作パターンの組み合わせを事前に設計し、網羅率を数値化

照明条件の細分化管理：サングラスの透光率別に最適な撮影環境を設計する方法論

被収集者トレーニングの標準化：自然な動作を引き出すためのシミュレーション手法

これらのノウハウは、OMS＋DMSシステムに限らず、車内インテリア認識、乗員安全システム、自動運転システムなど、自動車業界の多様な分野のデータ収集プロジェクトにも応用可能です。特に、多様な属性を網羅する高品質データの収集手法として高い汎用性を持ちます。

学習データ収集の課題でお悩みの方は、ぜひNexdataまでお気軽にお問い合わせください。自動車業界に特化したデータ収集ノウハウを活用し、貴社のAI開発をサポートいたします。

お問い合わせはこちら：https://jp.nexdata.ai/platform/freetrial