PIXTA、機械学習用「日本語キャプション付き　日本人日常シーン画像データセット」販売開始

日本語VLMの開発・性能向上に貢献

ピクスタ

2025年10月9日 11時10分

ピクスタ株式会社（東京都渋谷区　代表取締役社長：古俣大介、東証グロース：3416）が運営する写真・イラスト・動画・音楽素材のマーケットプレイス「PIXTA（ピクスタ）」は、「機械学習用画像・動画データ提供サービス」として、「日本語キャプション付き　日本人日常シーン画像データセット」を販売いたします。

◆ PIXTA機械学習用画像・動画データ提供サービス：https://pixta.jp/machinelearning-dataset

■ 日本語キャプション付き　日本人日常シーン画像データセット概要

名称	日本語キャプション付き　日本人日常シーン画像データセット
データ数	1,000点
価格	99,000円（税込）※各種アノテーションは有料にて承りますのでご相談ください。
撮影場所	日本国内の屋内・屋外
構図	被写体に対して正面、または、俯瞰（斜め上）から撮影した画角
キャスト	日本人で、乳児〜後期高齢者までの幅広い外見年齢の男女
内容	屋内外で撮影された、日本人の日常風景
特徴	・全て実写データ・商用利用可能・撮影者から機械学習用データ活用の許諾取得済み
購入方法	下記の「お問い合わせ」よりご希望のデータを選択してご連絡ください。 https://pixta.jp/machinelearning-dataset

＜画像サンプル＞

＜想定用途＞

生活シーン検索・整理

家庭・学校・地域などの日常風景を日本語で正確に検索・分類できるAIの開発。

例: 「ランドセルを背負って登校する子ども」と入力すると、関連する登下校シーン画像を自動で検索できる。

教育・福祉支援

日常シーンの写真をやさしい日本語で説明することで、誰でも理解できる情報支援を実現。

例: 視覚障害者向けAIが「食卓で家族がカレーを食べている」と説明し、生活の様子を言葉で伝える。

広告・マーケティング

日本人のライフスタイルを題材にした自然なクリエイティブ制作を支援。

例: 「スーパーで買い物をする母子」という日常シーンを基に、販促用キャッチコピーを自動生成。

日本語VLM（Vision-Language Model）の汎用性能向上

日常生活に即したシーンを含むことで、AIが「生活の文脈を理解しながら日本語で説明できる」能力を強化。

例: 「リビングで宿題をする小学生」といった具体的な日常シーンを自然な日本語で表現できるようになる。

■ 提供背景

近年、テキストと画像を統合的に処理する VLM（Vision-Language Model）の研究開発が世界的に進んでいます。従来のAIは「画像のみ」「テキストのみ」の処理が主流でしたが、現実世界の情報は視覚と言語が結びついて存在しており、その両方を同時に理解できるVLMは検索、生成、説明など多様な分野で必要とされています。

しかし、その基盤となる学習データには偏りがあり、既存の代表的な画像キャプションデータセット（LAION、COCO、Conceptual Captions、CC12M など）はいずれも英語中心に構築されています。

加えて、商用利用を見据えると、海外のオープンデータには権利処理の不透明さが残るため、日本語VLMを安心して開発・運用できる状況ではありません。結果として、日本語キャプション付き画像データの不足は、国内の研究者や企業にとって課題の一つとなっています。

このような背景から、PIXTAは「日本人の日常シーンを撮影した画像に日本語キャプションを付与したデータセット」を開発し、日本語VLMの研究・開発・商用化を支援する基盤を提供します。