Label Studioの自動アノテーション（AI支援）にYOLOv8を使う方法

Label Studioには、アノテーション作業を効率化するためのAI支援機能が搭載されています。これらのAI支援機能を利用するには、専用のバックエンドサーバーが必要です。本記事では、バックエンドとしてYOLOv8を導入し、自動アノテーション機能を活用するための具体的な手順について詳しく解説します。YOLOv8を利用することで、アノテーションの精度向上と効率化を同時に実現できます。

label studioの使い方については以下の記事

【超多機能！】LabelStudioを使った物体検知のアノテーション手順

Label Studio ML backendとは

Label Studio ML backendを使うことで以下のような機能が実現できます。

つまり、これを使えば「学習させたモデルを使ってアノテーションで楽ができる」ということです。

この記事では、AI支援によるインタラクティブなラベル付けを中心に解説します。

なお、Label Studio ML backendは以下のサイトからダウンロードできます。

Github: https://github.com/HumanSignal/label-studio-ml-backend

Label Studio ML backendの使い方

リポジトリをクローン

Gitからリポジトリをクローンします

git clone https://github.com/HumanSignal/label-studio-ml-backend.git

the simplest backendでLabel Studioへの接続を説明

フォルダの移動

リポジトリの/label_studio_ml/examples/the_simplest_backendに移動します。

docker-compose.ymlを修正

LABEL_STUDIO_HOSTとLABEL_STUDIO_API_KEYを自身の環境に合わせて修正します。

version: "3.8"

services:
  model_server:
    build: .
    image: humansignal/the_simplest_backend:v0
    environment:
      - MODEL_DIR=/data/models
      - LABEL_STUDIO_HOST=
      - LABEL_STUDIO_API_KEY=
    ports:
      - 9090:9090
    volumes:
      - "./data/server:/data"

LABEL_STUDIO_HOSTは、http://xxx.xxx.xxx.xxx:8080を入力します。xxx.xxx.xxx.xxxは、自身のPCのIPアドレスです。

LABEL_STUDIO_API_KEYは、Label Studioのユーザ設定（Account&Setting）に表示されるAccess Tokenをコピーします

docker composeで起動する

docker-composeで起動します。初回の起動ではbuildが行われますのでしばらく時間がかかります。

docker-compose up

起動したら、別のターミナルで以下のコマンドを実行します。

curl http://localhost:9090/health

以下のように表示されたら動作しています

{"model_class":"MyModel","status":"UP"}

Label Studioのプロジェクトにバックエンドを紐づける

バックエンドを紐付けしたいプロジェクトのSettingを開き、左のタブからMachine Learningを選択します。

Add Modelをクリックして、http://localhost:9090を入力してValidiate and Saveをクリックします。

接続が正しくできたら、Machine Learningのページにバックエンドが追加されています。

動作確認

the simplest backendは1つ前に設定した結果を返します。例えば、物体検出で枠を設定した後に他の画像に切り替えると、１つ前に設定した位置に枠が表示されます。

その他

examplesには他にもいろいろなバックエンドのサンプルがありますので、自身のアノテーションに合わせて動かしてみてください（図はexampleのフォルダの中身です）

YOLOv8をバックエンドとして使う

YOLOv8をバックエンドとして使うためのリポジトリがGithubにいくつかあったのですが、バージョンの問題か動かなかったので、それらを参考にして、とりあえず動作するバージョンを作成しました。

とりあえあえず、以下の環境で動作を確認しています

Githubリポジトリ：https://github.com/aruaru0/label-studio-yolov8-backend

リポジトリをクローンする

以下のコマンドでリポジトリをクローンします

git clone https://github.com/aruaru0/label-studio-yolov8-backend.git

モデルをコピーする

YOLOv8のモデルをbest.ptという名前で、クローンしたリポジトリのトップにコピーします。モデルは、公式のプレトレインモデルをbest.ptという名前でコピーしても、自身で学習させたモデルでもOKです。

コピーした後のフォルダは以下のようになります。

Dockerfile         README.md          _wsgi.py           best.pt            docker-compose.yml model.py           requirements.txt

YOLOv8で独自データを学習させる方法はこちら

YOLOv8（YOLOv9）で独自データを使った学習と推論を実践（物体検出）

docker-compose.ymlを修正

LABEL_STUDIO_HOSTとLABEL_STUDIO_API_KEYを自身の環境に合わせて修正します。修正内容については、こちらで説明しています。

docker-composeで起動する

docker-composeで起動します。初回の起動ではbuildが行われますのでしばらく時間がかかります。

docker-compose up

起動したら、別のターミナルで以下のコマンドを実行します。

curl http://localhost:9090/health

以下のように表示されたら動作しています

{"model_dir":"/data/models","status":"UP","v2":false}

Label Studioで設定

こちらも上で説明した方法と同じです。

プロジェクトでLabelingを行うと、自動でアノテーション枠がつくようになります。

その他

今回のバックエンドは、予測のみ対応しています。学習などを含めて追加したい場合は、model.pyを修正してください。方法は、Label Studio ML backendのリポジトリに書かれています。

今回はCPUでYOLOv8を動かしているので、予測だけにしました。学習はGPUを使った設定にする必要があるかと思います（dockerなど）

まとめ

バックエンドサーバーの接続は結構トラブります。今回はバックエンドサーバーとしてYOLOv8を接続してみましたが、あらかじめ予測枠をつけたいだけなら、YOLOv8で予測した結果をLabel Studioにインポートする方が楽です。

ただ、LabelStudioも進化していくと思いますので、そのうち完成度が上がってバックエンドの接続も楽になるかもしれません。

とりあえず、ラベルをつけてインポート指定だけなら、以下の記事の手法もおすすめします。

Label Studioを使わない方法

物体検出のアノテーションで楽する方法(YOLOv8+labelImg)

ある/Aru

IT＆機械学習エンジニア/ファイナンシャルプランナー（CFP®)

XContact

専門分野は並列処理・画像処理・機械学習・ディープラーニング。プログラミング言語はC, C++, Go, Pythonを中心として色々利用。現在は、Kaggle, 競プロなどをしながら悠々自適に活動中