画像アノテーションツールの比較：CVAT、Label Studio、Roboflow、V7、Potato

大量のコンピュータビジョン向けラベル付けでは CVAT がオープンソースの定番で、Roboflow、V7、Supervisely は商用製品としてモデル学習や管理されたワークフローを加えています。Potato が向いているのは、研究データとしての画像ラベルです。複数のアノテーターが同じ画像にラベルを付け、研究ではその一致度を報告する必要があります。Potato はボックス、ポリゴン、マスクについて偶然を補正した一致度を報告します。これはほかのアノテーションプラットフォームでは見つかっていない機能です。また、確認せずに受け入れられた事前ラベルにフラグを立てます。画像がテキスト、音声、モデル出力と同じ研究に含まれる場合にも向いています。

バウンディングボックスは物体を囲む長方形です。画像セグメンテーションは、ピクセルをポリゴンやマスクとして物体に割り当てます。キーポイントは関節のような目印を示し、スケルトンがそれらを結びます。IoU（Intersection over Union）は二つの形がどれだけ重なるかを測る指標で、多くのツールがアノテーター同士の比較に使います。

このページは画像、ギガピクセルのスライド、3D 点群を扱います。すべてのデータの種類を 1 ページで比べたものは AI アノテーションツールの比較にあります。

比較する価値のある画像アノテーションツールは？

ラベル付け調査の比較

ここにあるツールはどれも図形を描けます。違いは、描く人をどう確認するかにあります。

ダッシュは、2026 年 9 月の時点で、そのツールのドキュメントに該当する記述が見つからなかったことを表します。誤りがあればお知らせください。

画像で Potato が先を行く点

偶然を補正した一致度。 大きな物体に雑に描いたボックス同士でも大きく重なるので、補正なしの IoU はアノテーターを実際より良く見せます。Potato は経験的な偶然のベースラインに対してアノテーターを比べます。空間ラベルについて偶然補正済みの一致度を報告するアノテーションプラットフォームは、ほかに見つかっていません。詳しくは下の一致度のセクションを参照してください。

本当に確認された事前ラベル。 モデルの提案を見ずに受け入れると、一致度は上がり、正確さは下がります。Potato は描画のタイミングを記録し、確認された提案と素通しで承認された提案を区別します。

画像の周りにある調査。 Potato は Prolific や SONA でアノテーターを募集し、本番の前に訓練し、同じ画像についての評価、順位付け、自由記述の質問を一つの調査に加えられます。CVAT のハニーポットや Supervisely の試験は、ラベル付けチームを確認するものです。Potato のフェーズは、訓練を受けずにやって来る調査参加者向けに作られています。

ボックス、ポリゴン、キーポイント

ここにあるツールはどれもボックスとポリゴンを描けます。CVAT、Label Studio、Roboflow、V7、Supervisely、Segments.ai、Potato は、スケルトン付きのキーポイントにも対応しています。Potato はさらに、ポリライン、楕円、2D 直方体、インスタンスごとのブラシマスクを備えています。

成熟したコンピュータビジョンのプラットフォームは、隠れの程度、切れ（トランケーション）のフラグ、下位の種類といった属性を物体ごとに付けられます。Potato はまだ対応していません。形状にはラベルが一つ付くだけで、追加の属性には別のスキームを組み合わせる必要があります。

モデルの助けを借りたセグメンテーション

インタラクティブセグメンテーションは、クリックや大まかな輪郭をぴったりしたマスクに変えます。Potato はこれをブラウザで実行するので、GPU を用意する必要がありません。CVAT は Nuclio 関数か AI エージェント経由で、Label Studio は ML バックエンド経由でこの機能を使います。Roboflow、V7、Supervisely、Segments.ai は製品に組み込んでいます。

テキストプロンプトによるセグメンテーションは、名前を入力した物体のマスクを返します。Potato は Apache-2.0 ライセンスのモデルでこれをブラウザ内で実行します。Roboflow と V7 は自社サーバー上で SAM 3 を使い、Supervisely はアプリ経由、Label Studio は ML バックエンド経由で提供します。X-AnyLabeling は Grounding DINO、Grounded-SAM 2、SAM 2.1、YOLO をデスクトップアプリにまとめており、1 人がローカルで多くのモデルを使うならまず敵いません。Potato の強みは、アノテーターが 2 人以上になったときに出てきます。

画像セグメンテーションマスクのアノテーション方法と名前を入力して物体にラベルを付けるを参照してください。

ギガピクセル画像と病理スライド

Potato はタイルピラミッドを作り、DZI と IIIF Image API 3.0 の両方で配信します。マスクバッファーは GPU テクスチャではなく画像のピクセルを参照するため、ブラシマスクは元画像のフル解像度で動作し、テクスチャサイズの上限がありません。16 ビットの科学用 TIFF にはパーセンタイルによる表示範囲が設定され、かすかな構造も見えるようになります。V7 と Supervisely も非常に大きな画像を扱え、CVAT は一部対応です。ディープズームによるギガピクセル画像のアノテーションを参照してください。

デジタル病理には、QuPath（オープンソースのデスクトップアプリで、この分野の標準）と Cytomine（複数ユーザーでの盲検アノテーションに対応したオープンソースの Web アプリ）という専用ツールがあります。Potato は SVS、DICOM、NIfTI を読み込めません。

3D 点群

Potato は PCD、PLY、LAS、KITTI .bin、.xyz の点群に、3D 直方体、点、ポリライン、点ごとのセグメントでアノテーションします。直方体の回転はクォータニオンで保存するので、ピッチとロールが変換を往復しても失われません。直方体同士は、回転を考慮した正確な 3D IoU で比較します。アノテーションはフレーム単位です。

Segments.ai、Kognic、Deepen AI、Supervisely、Xtreme1/BasicAI は専門ツールで、自動運転の本番パイプラインではこちらが進んでいます。トラックを伝播させるシーケンス単位のワークフロー、レーダーや複数 LiDAR への対応、直方体の自動フィットがあります。CVAT、Supervisely、Segments.ai は点群シーケンスを扱えますが、Potato は扱えません。3D 点群のアノテーション方法を参照してください。

画像ラベルの一致度を測る

コンピュータビジョンのツールの多くは、アノテーター同士を重なりで比較します。CVAT のコンセンサスエンジンと V7 のコンセンサスステージは、クラスごとのしきい値に対して生の IoU で比較します。Label Studio Enterprise が挙げている指標は、完全一致、数値の差、IoU、スパンの重なりです。いずれも偶然による一致を補正しておらず、大きな物体に描いた二つのボックスは、どちらも雑に描いていても IoU が高くなります。

Potato は、形状の一致度を経験的な偶然のベースラインとともに報告します。空間ラベルについて偶然を補正した一致度を報告するアノテーションプラットフォームを、私たちはほかに見つけていません。方法はバウンディングボックスのアノテーター間一致度の測り方で説明しています。

事前ラベル付けには別の問題もあります。モデルの提案を確認せずに受け入れるアノテーターは、一致度の数字をすべて押し上げながら、正確さを下げてしまいます。Potato は描画のタイミングを記録しており、それによって見直した提案と素通しで受け入れた提案を区別できます。素通しで受け入れた事前ラベルを見つけるを参照してください。

形式

Potato は 15 種類のコンピュータビジョン形式を読み込み、そのうち 11 種類は読み書きの往復ができます。書き出し先は COCO、YOLO、Pascal VOC、CVAT、LabelMe、Cityscapes、KITTI、V7 Darwin、PNG マスク、MOT、DAVIS です。コンピュータビジョンの形式を参照してください。

1 枚の画像に 2 人のアノテーターが付くバウンディングボックスのタスク

agreement_metrics:
  enabled: true
 
annotation_schemes:
  - annotation_type: image_annotation
    name: objects
    description: "Draw a tight box around every vehicle."
    source_field: image
    tools: [bbox]
    labels:
      - {name: car, color: "#FF6B6B"}
      - {name: truck, color: "#4ECDC4"}
 
num_annotators_per_item:
  default: 2

各画像は 2 人のアノテーターに割り当てられ、管理ダッシュボードにボックスの一致度が表示されます。

画像で Potato ができないこと

• モデルの学習はしません。 Potato は既存のモデルで事前ラベル付けをしますが、検出器は学習しません。Roboflow、V7、Supervisely、Labelbox は学習できます。
• 物体ごとの属性にはまだ対応していません。
• 点群シーケンスには対応していません。 3D アノテーションはフレーム単位です。
• DICOM、NIfTI、ホールスライド形式には対応していません。
• アノテーターの提供はありません。 自分で集めるか、Prolific で募集してください。

2026 年 8 月と 9 月に、各プロジェクトのドキュメントと料金ページで確認しました。

よくある質問

無料の画像アノテーションツールで一番良いものは？

コンピュータビジョンだけの大量の作業なら、CVAT が無料で成熟しており、セルフホストできます。テキストや音声もラベル付けするプロジェクトの画像なら、Label Studio の Community Edition と Potato のどちらも幅広く対応しています。複数のアノテーターが同じ画像にラベルを付け、一致度を報告する研究なら、Potato は無料でそれを備えています。インストールせずに少数の画像を扱うなら、VIA が単一の HTML ファイルで動きます。

Labelbox のオープンソースの代替はありますか？

CVAT、Label Studio の Community Edition、Potato はオープンソースでセルフホストできます。Labelbox は管理されたプラットフォームとラベル付けの人員を販売しています。オープンソースのツールが提供するのはソフトウェアで、アノテーターではありません。自分のチームを使うか、Prolific のようなプラットフォームで募集します。

GPU サーバーなしでモデル支援のセグメンテーションを使えますか？

はい。Potato はインタラクティブセグメンテーションとテキストプロンプトによるセグメンテーションを ONNX Runtime Web でブラウザ内で実行し、モデルの重みがマシンにあればネットワークなしで動きます。SAM 2 による動画のマスク伝播はサーバー側で実行されます。X-AnyLabeling はデスクトップ上でローカルにモデルを実行します。CVAT と Label Studio はモデルサーバーを呼び出します。

バウンディングボックスのアノテーター間一致度はどう測りますか？

各画像を 2 人以上のアノテーターに割り当て、ボックスを対応づけて、偶然を考慮した一致度を報告します。大きな物体では、アノテーターが何をしても生の IoU は高くなるからです。バウンディングボックスの一致度ガイドで、対応づけ、偶然のベースライン、報告すべき内容を説明しています。

3D 点群にはどのアノテーションツールを使うべきですか？

シーケンスとトラック伝播を伴う本番の走行データなら、Segments.ai、Kognic、Supervisely などの専門ツールを、オープンソースが必須なら CVAT を使ってください。一致度の統計が必要なフレーム単位の直方体や、3D がマルチモーダル研究の一部である場合は、Potato が向いています。

複数のアノテーターによるアノテーション調査で、CVAT の代わりになるツールは？

各画像を複数のアノテーターに割り当て、論文で一致度を報告する研究なら、Potato はオープンソースで無料で、その一致度を偶然補正して報告します。CVAT 自体の品質ツール（ground truth ジョブ、ハニーポット、コンセンサス）は、しきい値に対する IoU でアノテーターを採点し、品質レポートは CVAT Online と Enterprise で利用できます。大量のラベル付けや点群シーケンスについては、CVAT のほうが強力なツールです。

参考資料

• AI アノテーションツールの比較（すべてのデータの種類を 1 ページで）
• テキストアノテーションツールの比較
• 音声アノテーションツールの比較
• 動画アノテーションツールの比較
• AI エージェント評価ツールの比較
• 世界モデルとロボットエピソードの評価ツールの比較
• 画像アノテーション