28万枚の写真に タグづけした話

Transcript

1. 28万枚の写真に タグづけした話 ズボラな航空写真作家が、10年放置した撮影地タグを週末で片づけるまで ふじば（T.Fujiba）— 航空写真作家 / プログラマ · 2026.06.27
2. 自己紹介：撮るほうが本業です ふじば（T.Fujiba） 航空写真作家 「情景的飛行機写真」— 飛行機そのものより、飛行機のいる風景を撮る ホームは鳥取空港（TTJ） 撮影のほとんどがここ。ただし遠征の例外がたまに混ざる プログラマ Lightroom カタログは10年もの。気づけば 28万枚 TTJ HND NRT + 27空港 写真展: 空港散歩 V 朱から蒼 〜Airport Stroll V TOTTORI SUNSET & STARLIGHT〜 ▪東京 富士フォトギャラリー銀座 スペース2 2026/10/23(金)〜29(木) 10:30〜19:00(土日: 11:00〜17:00)、最終日は14:00まで ▪大阪 イロリムラ プチホール 2026/11/4(水)〜9(月) 12:00〜19:00(初日: 13:00〜、最終日15:00まで) 2 https://www.fujiba.net/ twitter/insta/github:@fujiba
3. 撮影地タグ、もう何年もつけてない 01 最初はまめだった 撮影地（空港名）を毎回手入力。えらい 。ただし最初の数年だけ。 → その後ズボラが勝利 02 「基本は鳥取」の罠 9割は鳥取空港。でも遠征・出張の例外が 混ざるので「全部TTJ」では誤爆する。 → 一括処理ができない 03 手作業は無理 10年分・28万枚超。1枚1秒でも79時間。検 索できないカタログは資産じゃない。 → なんとかせねば 285,630 枚。これを「プラグインを作って」自動でタグ付けすることにした 3
4. 作ったもの：Lightroomプラグイン + ローカル推論サーバ Lightroom Classic プラグイン Lua（SDK） 常駐デーモンとして少しずつ処理 カタログ検索で未処理だけ抽出 カスタムメタデータに書き戻し airportCode / burstId / chunkId HTTP localhost 推論サーバ Python / FastAPI GPS判定（空港ジオフェンス辞書） YOLOv8：飛行機・猫の検出 CLIP + 線形SVM：空港の推定 SQLite 処理管理DB burst / chunk / photo の台帳 再開・再推定に使う ポイント：Lightroomを止めない。寝てる間も撮影に出てる間も、デーモンが裏で淡々と消化する設計 4
5. タグ付けの仕様はシンプル 被写体キーワード YOLOv8で検出するのは 「飛行機」と「猫」だけ。 検出したらLightroomのキーワードに登録。 飛行機 猫 空港には猫がいる。撮ってしまう。 だからクラスは2つ必要（伏線）。 撮影地（空港）の特定 信頼できる順に使う。上が獲れたら下は見ない。 1. GPS カメラ/スマホ連携の位置情報。最強 2. 手入力 過去の自分が付けた空港名。信用する 3. 写真から推定 CLIP特徴量 + SVM。最後の砦 優先度： GPS ＞ 手入力 ＞ 画像からの推定 5
6. 28万枚に対峙する 全写真にYOLOとCLIPをかける？ …常軌を逸している。 推論の回数をどう減らすかが、この話の本体。
7. 鍵は「写真家の行動」をモデル化すること 連写は数秒の塊になる バッファが詰まるまで連写して、止める。似た写真が5秒以内に固まる。 chunk 1回の撮影は長くても20分 地方空港の折り返し撮影。降りて、撮って、上がるまで。 burst 空港間の移動は1時間以上かかる 物理的に。つまり1時間以内の撮影はぜんぶ同じ空港。 session 画像を見る前に、 撮っている 人間の動きを 見る。 ルールはこの3つだけ。機械学習ではなく、撮影者としての自己観察から出てきた数字。 7
8. 時間で切るだけ：session ⊃ burst ⊃ chunk session 同一空港とみなす範囲 burst 最長20分 chunk chunk chunk chunk = 5秒以内の連写塊 burst chunk chunk burst間隔 ＜1時間 ≥1時間 空いたら 別session session ＝空港が変わった可能性 時間 → 28.5万枚 → 10,267 burst / 100,366 chunk に圧縮（平均27.7枚/burst・最大442枚/burst） 8
9. 推論は代表だけ。結果は信頼度つきで伝播させる 被写体（YOLO）はchunk代表だけ 代表1枚 YOLO実行 同じchunkの残りにはコピー 連写の中身はほぼ同じ画。だから1枚見れば十分。 YOLO実行は 62,713回（全28.5万枚の22%）で済んだ。 撮影地はグループ内で最強の情報が勝つ burst内・session内で最も信頼できる位置情報を全員に配る。 GPS 1枚でもGPS付きがあれば全員その空港 手入力 過去の自分の入力。1枚あればburstごとロック CLIP推定 どちらも無いときだけ。confidence=guess扱い 「確実な1枚」が「不確かな数百枚」を救う構図。 9
10. 伝播の戦果：推論しなかった分が勝ち 62,713回 YOLO推論の総数（28.5万枚の22%） 32,572枚 伝播だけで空港が確定（1,399 burst・推論ゼロ ） 0回 locked burst（手入力済み）への再推論。過去の 自分を上書きしない 空港コードの確定ソース（写真ベース・285,208枚） 手入力 98,015 GPS 81,373 CLIP推定 49,026 伝播 32,572 未確定 23,117 10
11. 機械学習の話は、ここだけ（飾りです） 写真 CLIP 特徴量 線形SVM 空港コード 教師データは手持ちの写真 — 3空港ぶん、自分のカタログから (TTJ/HND/NRT) 足りなければあとで足して再分析と割り切る 重心ベースのオープンセット判定 — どの空港でもなければ「わからない」と 言わせる 出番はGPSも手入力も無いときだけ — あくまで最後の砦 PHOTO ［図/スクショ］ 空港分類の混同行列 or 学習データのコンタクトシート 11
12. 実装：人間はほぼ書いてない(まあどうでもいい) STEP 1 AntiGravity にコードを書かせる 仕様と文句は人間が言う STEP 2 Claude Code にレビューと修正をさ せる AI同士で殴り合ってもらう STEP 3 土日 プラグインを回しっぱなし 月曜未明、28万枚完了 12
13. 結果 285,208 処理した写真（カタログ実数 285,630 ） 10,267 burst 100,366 chunk 30空港 タグ付けされた空港 ※一部は要精査 156,823 鳥取空港（TTJ）— 全体の55% 108,426 「飛行機」が写っていた枚数 3,666 「猫」が写っていた枚数 2 飛行機と猫が同時に写っていた枚数 ※集計後に撮影してるので増えてます。 PHOTO 13 結果を見る限り、まあまあいい感じ。
14. 残作業：ここからは運用 ログの精査 判定根拠（source / confidence）は全部SQLiteに残してある。怪しい判定を抽出して眺める。 「鳥取以外」の総点検 TTJ以外にタグ付けされた写真を確認。GPSだけで付いた行ってない空港（静岡5枚・秋田4枚など）が誤検知候補。 辞書を更新して部分再推定 空港ジオフェンス辞書・学習データを直して、該当burstだけ再推定。全部やり直さなくていい設計。 手入力(locked)は絶対に上書きしないので、何度回しても過去の仕事は壊れない。安心して再推定できる。 14
15. まとめ：効いたのはMLじゃない 1 ドメイン知識のモデル化が9割 「空港の移動は1時間かかる」— 撮影者として自分の行動を観察して出てきたルールが、問題サイズを1/4以下にした。 2 推論より伝播 信頼できるデータ（GPS・過去の手入力）を、信頼できる範囲（burst / session）に配る。確実な1枚が数百枚を救う。 3 MLは最後の砦で十分 CLIP+SVMの出番は他に手がないときだけ。それでも49,026枚を拾ってくれた。適材適所。 15
16. 画像認識は、飛行機と猫で十分。 ありがとうございました — ふじば（T.Fujiba） 28万枚を見てわかったこと：僕のカタログに写っているのは、 ほぼ飛行機（108,426枚）、ときどき猫（3,666枚）。 両方同時に写っていたのは — 2枚だけ。 PHOTO ［写真］空港の猫 （ベストショットを）