Azureで始める画像認識サービスの構築手順とコスト管理

Contents

1 1. Azure 環境の準備とリソース作成
2 2. Computer Vision と Custom Vision の比較ポイント
3 3. データセット作成と Custom Vision でのモデル訓練フロー
4 4. Azure AI Vision と Custom Vision の統合実装例
5 5. 運用・コスト管理と CI/CD ベストプラクティス
6 まとめ

スポンサードリンク

1. Azure 環境の準備とリソース作成

1‑1. 無料アカウントで始める

手順	内容
サインアップ	https://azure.microsoft.com/free/ にアクセスし、Microsoft アカウントでサインイン。クレジットカード情報は課金防止のために必要です（利用料が 0 USD を超えると請求されます）。
無料クレジット	登録直後に 200 USD 分のクレジットが付与され、30 日間有効。無料枠として AI サービスは月 5,000 件まで料金がかかりません。
サブスクリプション作成	ポータル左メニュー > 「サブスクリプション」→「+ 作成」で名前を付けて完了。

1‑2. リソースグループとリージョン

リソースグループ名 : rg-image-ai
推奨リージョン   : japaneast（東日本）または japanwest（西日本）

リソースグループ名 : rg-image-ai

推奨リージョン : japaneast（東日本）または japanwest（西日本）

同一リソースグループに Computer Vision、Custom Vision、Blob Storage をまとめると権限管理がシンプルになります。

1‑3. 必要なリソースをデプロイ

Azure ポータルまたは Azure CLI（以下の例）で作成します。

# 1) リソースグループ作成
az group create -n rg-image-ai -l japaneast

# 2) Computer Vision 用 Cognitive Services アカウント
az cognitiveservices account create \
    -g rg-image-ai -n vision2024 \
    --kind ComputerVision --sku S0 --location japaneast \
    --yes

# 3) Custom Vision のトレーニングリソース（別途作成が必要です）
az cognitiveservices account create \
    -g rg-image-ai -n customvision2024 \
    --kind CustomVision.Training --sku S0 --location japaneast \
    --yes

# 4) Blob Storage（データ保管用）
az storage account create \
    -g rg-image-ai -n imgstorage2024 \
    -l japaneast --sku Standard_LRS

# 1) リソースグループ作成

az group create -n rg-image-ai -l japaneast

# 2) Computer Vision 用 Cognitive Services アカウント

az cognitiveservices account create \

-g rg-image-ai -n vision2024 \

--kind ComputerVision --sku S0 --location japaneast \

--yes

# 3) Custom Vision のトレーニングリソース（別途作成が必要です）

az cognitiveservices account create \

-g rg-image-ai -n customvision2024 \

--kind CustomVision.Training --sku S0 --location japaneast \

--yes

# 4) Blob Storage（データ保管用）

az storage account create \

-g rg-image-ai -n imgstorage2024 \

-l japaneast --sku Standard_LRS

2. Computer Vision と Custom Vision の比較ポイント

項目	Azure AI Vision (Computer Vision)	Custom Vision
対象	汎用画像解析（タグ付与、物体検出、テキスト抽出）	ユーザーが定義したクラスやオブジェクトの分類・検出
学習コスト	なし（即時利用可）	データラベリングとモデル訓練が必要
料金体系	従量課金＋無料枠 (月 5,000 件)	訓練回数・予測リクエストに応じた従量課金
推奨シナリオ	商品カタログ自動タグ付け、画像検索、ドキュメント OCR	製造ラインの不良品判別、社内文書の独自分類
API エンドポイント	`https://{region}.api.cognitive.microsoft.com/vision/v3.2/analyze`（バージョンは随時更新）	`https://{region}.api.cognitive.microsoft.com/customvision/v3.0/Prediction/{projectId}/classify/iterations/{iterationName}/image`
認証方式	サブスクリプションキーまたは Azure AD トークン（どちらか一方で統一）	主にサブスクリプションキー（予測リソース用）

選定の目安
- 汎用的な解析だけが必要 → Computer Vision をそのまま利用。
- 独自クラスや高精度カスタムモデルが必須 → Custom Vision でデータを集めて学習。

3. データセット作成と Custom Vision でのモデル訓練フロー

3‑1. 画像を Blob Storage に格納

# ストレージアカウントにコンテナ作成
az storage container create -n training-data --account-name imgstorage2024

# ローカルディレクトリ ./dataset の全画像を一括アップロード
az storage blob upload-batch \
    -d training-data -s ./dataset \
    --account-name imgstorage2024

# ストレージアカウントにコンテナ作成

az storage container create -n training-data --account-name imgstorage2024

# ローカルディレクトリ ./dataset の全画像を一括アップロード

az storage blob upload-batch \

-d training-data -s ./dataset \

--account-name imgstorage2024

3‑2. 環境変数の設定（事前説明）

変数名	内容	設定例
`VISION_ENDPOINT`	Computer Vision のエンドポイント URL（例: `https://japaneast.api.cognitive.microsoft.com`）	`export VISION_ENDPOINT=https://japaneast.api.cognitive.microsoft.com`
`VISION_KEY`	Computer Vision 用サブスクリプションキー	`export VISION_KEY=xxxxxxxxxxxx`
`CUSTOM_VISION_PREDICTION_KEY`	Custom Vision の予測リソースキー	`export CUSTOM_VISION_PREDICTION_KEY=yyyyyyyyyyyy`
`AZURE_CLIENT_ID / AZURE_TENANT_ID / AZURE_CLIENT_SECRET`	Azure AD アプリ認証に使用（後述）	`export AZURE_CLIENT_ID=...` など

3‑3. ラベリングとデータ品質

Custom Vision ポータルでプロジェクト作成
プロジェクト名、ドメイン（General Classification / Object Detection）を選択。
画像の追加
「URL から追加」ボタンで先ほど Blob に保存した画像 URL（SAS トークン付き）を貼り付け。
ラベル付与のベストプラクティス
クラスあたり 最低 5〜10 枚 のサンプルを確保し、全クラスでバランスが取れるようにする。
複数担当者がいる場合は「承認フロー」または「タグの命名規則」を設定し、ラベルの揺れを防止。

3‑4. 訓練・評価サイクル

ステップ	操作内容
1. アップロード	画像とラベルがすべて揃ったら「アップロード」ボタンで保存。
2. 訓練開始	「Train」→「Standard」または「Advanced」（GPU が必要）を選択。
3. 評価指標	完了後に表示される Precision、Recall、mAP を確認。目標未達の場合はデータ増強やラベル修正を繰り返す。
4. パブリッシュ	「Publish」→「Prediction Resource」を選び、エンドポイント URL とキーを取得。

4. Azure AI Vision と Custom Vision の統合実装例

4‑1. 認証方式の整理

サブスクリプションキー はシンプルで Quick‑Start に適していますが、キー漏洩リスクがあります。
Azure AD アプリ認証（クライアント ID／シークレットまたはマネージド ID）はローテーションや RBAC が可能なため、本番環境では推奨されます。

本稿のコード例は Azure AD 認証を使用 し、Computer Vision の呼び出しに DefaultAzureCredential を、Custom Vision の予測にはサブスクリプションキー（環境変数）を組み合わせたハイブリッド方式です。

4‑2. Python SDK（azure-ai-vision）と REST API の併用例

4‑2‑1. 前提ライブラリインストール

pip install azure-identity azure-ai-vision azure-cognitiveservices-vision-customvision

1 2	pip install azure-identity azure-ai-vision azure-cognitiveservices-vision-customvision

4‑2‑2. 完全サンプルコード

import os
from azure.identity import DefaultAzureCredential
from azure.ai.vision import VisionClient, ImageAnalysisOptions
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient

# -------------------------------------------------
# 1. 環境変数の取得（事前に export しておくこと）
# -------------------------------------------------
VISION_ENDPOINT = os.getenv(&quot;VISION_ENDPOINT&quot;)
VISION_KEY = os.getenv(&quot;VISION_KEY&quot;)                     # Computer Vision 用キー（代替として Azure AD でも可）
CUSTOM_PREDICTION_KEY = os.getenv(&quot;CUSTOM_VISION_PREDICTION_KEY&quot;)

if not all([VISION_ENDPOINT, VISION_KEY, CUSTOM_PREDICTION_KEY]):
    raise RuntimeError(&quot;必須環境変数が設定されていません。&quot;)

# -------------------------------------------------
# 2. Azure AD 認証取得（Computer Vision の推奨方式）
# -------------------------------------------------
credential = DefaultAzureCredential()   # ローカルでは VS Code の認証、クラウドではマネージド ID が利用可能

# -------------------------------------------------
# 3. Computer Vision で画像解析（タグ・オブジェクト検出）
# -------------------------------------------------
vision_client = VisionClient(endpoint=VISION_ENDPOINT, credential=credential)

analysis_result = vision_client.analyze_image(
    url=&quot;https://&lt;storage_account&gt;.blob.core.windows.net/training-data/sample.jpg&quot;,
    visual_features=[&quot;Tags&quot;, &quot;Objects&quot;]
)

print(&quot;=== Image Tags ===&quot;)
for tag in analysis_result.tags:
    print(f&quot;- {tag.name} ({tag.confidence:.2%})&quot;)

print(&quot;\n=== Detected Objects ===&quot;)
for obj in analysis_result.objects:
    print(f&quot;- {obj.object_property} (confidence: {obj.confidence:.2%}) &quot;
          f&quot;at [{obj.rectangle.x}, {obj.rectangle.y}, {obj.rectangle.w}, {obj.rectangle.h}]&quot;)

# -------------------------------------------------
# 4. Custom Vision の予測（サブスクリプションキー使用）
# -------------------------------------------------
prediction_client = CustomVisionPredictionClient(
    endpoint=VISION_ENDPOINT,
    credentials=CUSTOM_PREDICTION_KEY   # SDK では文字列だけで OK
)

project_id = &quot;YOUR_CUSTOM_VISION_PROJECT_ID&quot;
iteration_name = &quot;Iteration1&quot;          # Publish 時に指定した名前

# ローカルファイルを直接送信する例（実運用では Blob の URL でも可）
with open(&quot;sample.jpg&quot;, &quot;rb&quot;) as img_file:
    prediction_result = prediction_client.classify_image(
        project_id, iteration_name, img_file.read()
    )

print(&quot;\n=== Custom Vision Predictions ===&quot;)
for pred in prediction_result.predictions:
    print(f&quot;- {pred.tag_name}: {pred.probability:.2%}&quot;)

import os

from azure.identity import DefaultAzureCredential

from azure.ai.vision import VisionClient, ImageAnalysisOptions

from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient

# -------------------------------------------------

# 1. 環境変数の取得（事前に export しておくこと）

# -------------------------------------------------

VISION_ENDPOINT = os.getenv("VISION_ENDPOINT")

VISION_KEY = os.getenv("VISION_KEY") # Computer Vision 用キー（代替として Azure AD でも可）

CUSTOM_PREDICTION_KEY = os.getenv("CUSTOM_VISION_PREDICTION_KEY")

if not all([VISION_ENDPOINT, VISION_KEY, CUSTOM_PREDICTION_KEY]):

raise RuntimeError("必須環境変数が設定されていません。")

# -------------------------------------------------

# 2. Azure AD 認証取得（Computer Vision の推奨方式）

# -------------------------------------------------

credential = DefaultAzureCredential() # ローカルでは VS Code の認証、クラウドではマネージド ID が利用可能

# -------------------------------------------------

# 3. Computer Vision で画像解析（タグ・オブジェクト検出）

# -------------------------------------------------

vision_client = VisionClient(endpoint=VISION_ENDPOINT, credential=credential)

analysis_result = vision_client.analyze_image(

url="https://<storage_account>.blob.core.windows.net/training-data/sample.jpg",

visual_features=["Tags", "Objects"]

)

print("=== Image Tags ===")

for tag in analysis_result.tags:

print(f"- {tag.name} ({tag.confidence:.2%})")

print("\n=== Detected Objects ===")

for obj in analysis_result.objects:

print(f"- {obj.object_property} (confidence: {obj.confidence:.2%}) "

f"at [{obj.rectangle.x}, {obj.rectangle.y}, {obj.rectangle.w}, {obj.rectangle.h}]")

# -------------------------------------------------

# 4. Custom Vision の予測（サブスクリプションキー使用）

# -------------------------------------------------

prediction_client = CustomVisionPredictionClient(

endpoint=VISION_ENDPOINT,

credentials=CUSTOM_PREDICTION_KEY # SDK では文字列だけで OK

)

project_id = "YOUR_CUSTOM_VISION_PROJECT_ID"

iteration_name = "Iteration1" # Publish 時に指定した名前

# ローカルファイルを直接送信する例（実運用では Blob の URL でも可）

with open("sample.jpg", "rb") as img_file:

prediction_result = prediction_client.classify_image(

project_id, iteration_name, img_file.read()

)

print("\n=== Custom Vision Predictions ===")

for pred in prediction_result.predictions:

print(f"- {pred.tag_name}: {pred.probability:.2%}")

ポイント解説
- DefaultAzureCredential は開発環境（VS Code、Azure CLI）でも本番（App Service のマネージド ID）でも同一コードで動作します。
- Computer Vision 側は キー認証でも可能 ですが、サンプルでは Azure AD を示すことでベストプラクティスを提示しています。
- Custom Vision の予測エンドポイントは現時点（2024 年）ではサブスクリプションキーが唯一の認証手段です。

4‑3. サーバーレス統合例：Azure Functions (Python)

import logging, os, json, azure.functions as func
from azure.identity import DefaultAzureCredential
from azure.ai.vision import VisionClient

VISION_ENDPOINT = os.getenv(&quot;VISION_ENDPOINT&quot;)
credential = DefaultAzureCredential()
vision_client = VisionClient(endpoint=VISION_ENDPOINT, credential=credential)

def main(req: func.HttpRequest) -&gt; func.HttpResponse:
    try:
        body = req.get_json()
        image_url = body[&quot;url&quot;]
        result = vision_client.analyze_image(
            url=image_url,
            visual_features=[&quot;Tags&quot;, &quot;Objects&quot;]
        )
        response = {
            &quot;tags&quot;: [{t.name: t.confidence} for t in result.tags],
            &quot;objects&quot;: [{
                &quot;name&quot;: o.object_property,
                &quot;confidence&quot;: o.confidence,
                &quot;bbox&quot;: [o.rectangle.x, o.rectangle.y, o.rectangle.w, o.rectangle.h]
            } for o in result.objects]
        }
        return func.HttpResponse(json.dumps(response), mimetype=&quot;application/json&quot;)
    except Exception as e:
        logging.error(e)
        return func.HttpResponse(str(e), status_code=500)

import logging, os, json, azure.functions as func

from azure.identity import DefaultAzureCredential

from azure.ai.vision import VisionClient

VISION_ENDPOINT = os.getenv("VISION_ENDPOINT")

credential = DefaultAzureCredential()

vision_client = VisionClient(endpoint=VISION_ENDPOINT, credential=credential)

def main(req: func.HttpRequest) -> func.HttpResponse:

try:

body = req.get_json()

image_url = body["url"]

result = vision_client.analyze_image(

url=image_url,

visual_features=["Tags", "Objects"]

)

response = {

"tags": [{t.name: t.confidence} for t in result.tags],

"objects": [{

"name": o.object_property,

"confidence": o.confidence,

"bbox": [o.rectangle.x, o.rectangle.y, o.rectangle.w, o.rectangle.h]

} for o in result.objects]

}

return func.HttpResponse(json.dumps(response), mimetype="application/json")

except Exception as e:

logging.error(e)

return func.HttpResponse(str(e), status_code=500)

HTTP トリガーで画像 URL を受け取り、VisionClient だけで完結。
必要に応じて同関数内で Custom Vision の予測呼び出しを組み込めば、一つのエンドポイントで汎用解析とカスタム分類を提供可能です。

5. 運用・コスト管理と CI/CD ベストプラクティス

5‑1. コスト見積もり（2024 年料金表に基づく概算）

サービス	無料枠	従量課金例
Computer Vision (Analyze)	月 5,000 件まで $0	1,000 件あたり約 $1（S0 SKU）
Custom Vision 訓練	なし	1,000 回のトレーニングにつき約 $2
Custom Vision 予測	なし	1,000 リクエスト ≈ $0.5

例）PoC の月間利用想定
- Computer Vision：3,000 件 → 無料枠内
- Custom Vision 訓練：150 回 → $0.30
- 予測リクエスト：8,000 件 → $4.00
合計 ≈ $4.30（無料枠分を差し引くとさらに削減可能）

5‑2. コスト削減テクニック

使用時間外のスケールダウン
Azure Functions は Consumption プラン に切り替えるだけで課金は実行回数に比例。
結果キャッシュ
同一画像が頻繁に解析される場合、Azure Cache for Redis にタグ・オブジェクト情報を保存し、API 呼び出し回数を削減。

5‑3. CI/CD パイプライン（GitHub Actions + Azure CLI）

name: Custom Vision CI/CD

on:
  schedule:
    - cron: '0 2 * * *'   # 毎日午前2時に自動実行
  workflow_dispatch:

jobs:
  train-and-deploy:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3

      # Azure CLI にログイン（Service Principal のシークレットを GitHub Secrets に保存）
      - name: Azure login
        uses: azure/login@v1
        with:
          creds: ${{ secrets.AZURE_CREDENTIALS }}

      # 新規画像の Blob へのアップロード
      - name: Upload new images to Blob
        run: |
          az storage blob upload-batch \
            -d training-data -s ./new_images \
            --account-name imgstorage2024

      # Custom Vision 訓練開始（REST API 呼び出し）
      - name: Trigger training
        env:
          CV_TRAINING_KEY: ${{ secrets.CV_TRAINING_KEY }}
          PROJECT_ID: ${{ secrets.CV_PROJECT_ID }}
        run: |
          curl -X POST \
            &quot;https://japaneast.api.cognitive.microsoft.com/customvision/v3.0/Training/projects/${PROJECT_ID}/train&quot; \
            -H &quot;Training-key:${CV_TRAINING_KEY}&quot; \
            -H &quot;Content-Type: application/json&quot;

      # 学習完了後にイテレーションを公開
      - name: Publish iteration
        env:
          CV_TRAINING_KEY: ${{ secrets.CV_TRAINING_KEY }}
          PROJECT_ID: ${{ secrets.CV_PROJECT_ID }}
          ITERATION_NAME: production
        run: |
          curl -X POST \
            &quot;https://japaneast.api.cognitive.microsoft.com/customvision/v3.0/Prediction/projects/${PROJECT_ID}/iterations/${ITERATION_NAME}/publish&quot; \
            -H &quot;Training-key:${CV_TRAINING_KEY}&quot; \
            -d '{&quot;name&quot;:&quot;production&quot;,&quot;predictionId&quot;:&quot;${{ secrets.CV_PREDICTION_RESOURCE_ID }}&quot;}'

name: Custom Vision CI/CD

on:

schedule:

- cron: '0 2 * * *' # 毎日午前2時に自動実行

workflow_dispatch:

jobs:

train-and-deploy:

runs-on: ubuntu-latest

steps:

- uses: actions/checkout@v3

# Azure CLI にログイン（Service Principal のシークレットを GitHub Secrets に保存）

- name: Azure login

uses: azure/login@v1

with:

creds: ${{ secrets.AZURE_CREDENTIALS }}

# 新規画像の Blob へのアップロード

- name: Upload new images to Blob

run: |

az storage blob upload-batch \

-d training-data -s ./new_images \

--account-name imgstorage2024

# Custom Vision 訓練開始（REST API 呼び出し）

- name: Trigger training

env:

CV_TRAINING_KEY: ${{ secrets.CV_TRAINING_KEY }}

PROJECT_ID: ${{ secrets.CV_PROJECT_ID }}

run: |

curl -X POST \

"https://japaneast.api.cognitive.microsoft.com/customvision/v3.0/Training/projects/${PROJECT_ID}/train" \

-H "Training-key:${CV_TRAINING_KEY}" \

-H "Content-Type: application/json"

# 学習完了後にイテレーションを公開

- name: Publish iteration

env:

CV_TRAINING_KEY: ${{ secrets.CV_TRAINING_KEY }}

PROJECT_ID: ${{ secrets.CV_PROJECT_ID }}

ITERATION_NAME: production

run: |

curl -X POST \

"https://japaneast.api.cognitive.microsoft.com/customvision/v3.0/Prediction/projects/${PROJECT_ID}/iterations/${ITERATION_NAME}/publish" \

-H "Training-key:${CV_TRAINING_KEY}" \

-d '{"name":"production","predictionId":"${{ secrets.CV_PREDICTION_RESOURCE_ID }}"}'

シークレット管理は必ず GitHub の Secrets に格納し、コード上に平文を書かない。
定期的な再訓練と自動デプロイでモデルの鮮度を保ちます。

5‑4. 監視・可観測性

項目	実装例
Application Insights	Azure Functions の「Enable Application Insights」オプションで有効化し、`requests`, `exceptions`, `customMetrics` が自動収集されます。
カスタムメトリクス	予測レイテンシやモデルバージョンを `trackMetric` API で送信 → ダッシュボードで SLA を可視化。
アラート	月間利用量が無料枠の 80 % を超えたらメール通知（Azure Monitor の予算アラート）

まとめ

環境は Azure 無料アカウント → リソースグループ → 必要リソース（Computer Vision、Custom Vision、Blob Storage）の順に作成
汎用解析は Computer Vision、独自クラスは Custom Vision を選択し、目的に応じて組み合わせる
データは Blob に保管し、Custom Vision UI でラベリング → 訓練 → パブリッシュ のフローを繰り返すことで高品質モデルが得られる
認証は Azure AD（本番）＋サブスクリプションキー（Custom Vision）のハイブリッド が安全かつシンプル
CI/CD とモニタリングを導入すれば、コスト管理・運用の自動化が実現 し、スケーラブルな画像認識サービスを継続的に提供できる

本稿で示した手順とベストプラクティスは 2024 年 4 月時点 の公式情報に基づいています。Azure のサービスは頻繁にアップデートされますので、導入前には必ず最新ドキュメントをご確認ください。

スポンサードリンク