商品画像のAIタグ付け方法｜画像認識で属性を整理し検索に使う

「言葉で検索しても見つからない」の次に来る、"画像で探したい"というニーズ

ECサイトの検索改善というと、多くの場合は「入力された言葉」から商品を探すサイト内検索の精度をどう上げるかという話になります。表記ゆれや言い換えを吸収する意味検索（セマンティック検索）の考え方は、ECサイトの商品検索をAIで改善｜ゼロ件ヒットを減らす方法と費用で整理したとおりです。

ただ、お客様の探し方は「言葉」だけではありません。「この商品に似ているものが欲しい」「この画像みたいな柄・形のものを探している」——お客様が頭の中に持っているのは、言葉にしづらい"見た目のイメージ"であることも少なくありません。ところが多くのECサイトでは、商品画像そのものに「何が写っているか」を表す情報（色・柄・形・素材・カテゴリといったタグや属性）が整理されておらず、画像を手がかりにした検索や「似ている商品」の提案がうまく機能していません。

この記事では、テキスト検索の精度改善（/blog/53）とは切り分けて、商品画像そのものに埋もれている情報をAIでどう認識・整理し、検索や提案に使える形にするかを整理します。

なぜ商品画像は「見た目のまま」放置されやすいのか

商品画像は、登録された瞬間から「見た目を伝える写真」以上の役割を持たされていないことがほとんどです。次のような状態に心当たりがないでしょうか。

• 商品画像に紐づく情報が「商品名」「価格」「簡単な説明文」程度しかなく、色・柄・形・素材・シーンといった画像に写っている要素が言葉として登録されていない
• 撮影角度や背景がバラバラで、同じカテゴリの商品でも画像同士を機械的に比較しづらい
• 新商品を登録するたびに、担当者が目視で似ている過去商品を探して分類・タグ付けしており、商品点数が増えるほど手が回らなくなっている
• 紙のカタログや仕入先から届く画像に、色・型番などの情報が画像の中の文字としてしか存在せず、システム側にはテキストとして取り込まれていない

こうした状態では、いくら検索機能そのものを高度にしても、そもそも"探す手がかり"になる情報が画像に埋もれたまま整理されていないため、検索や提案の精度が上がりません。

ここで押さえておきたいのは、これが「画像認識AI」という単体の製品を入れる話ではないという点です。実務で成立するのは、商品画像に写っている色・柄・形状・カテゴリをAIが読み取り、検索やレコメンドで使える属性データとして整理していく形です。どの軸でタグを付けるかを決めるのは自社側の仕事で、その定義が曖昧なままでは、どんなに精度の高い認識エンジンを使っても業務では使えません。

タグの設計で失敗しないコツは、「客が実際に検索している言葉」から逆算することです。サイト内検索のログを開き、検索語に現れる色名・柄・形状の表現を書き出してください。「ベージュ」と検索されているのに商品側が「サンドベージュ」でしか登録されていない、といったずれが、そのままタグ設計の要件になります。カタログにしか載っていない情報（画像の中の文字）がある場合は、そこを読み取ってテキスト化する工程も同時に必要です。

画像認識サービスの多くは「認識精度◯◯%」という数値を掲げていますが、この数字は測定条件によって大きく変わります。自社の商品画像で試さないかぎり意味を持たないため、提案を受けるときは自社の実画像100点での結果を見せてもらってください。実務では、精度そのものよりも「どこまで自動で認識・タグ化し、どこは人が確認する運用にするか」の切り分けのほうが、導入後の実用性を左右します。

撮影のばらつきが、そのまま精度のばらつきになる

画像からの認識は、写り方に強く影響されます。仕組みに投資する前に、撮影側で揃えられることを揃えておくと、同じ費用でも結果が変わります。

• 背景を統一する：白背景など一定の背景で撮るだけで、形状・色の認識は安定します。既存商品を撮り直せない場合は、新規登録分から順に切り替えます。
• 色は撮影条件で変わる前提を持つ：照明によって同じ商品でも色が変わって写ります。色名タグを自動付与する場合は人の確認を一段挟むか、商品マスタ側の色名を正とする設計にします。
• 商品の向きと範囲を揃える：正面・全体が写る1枚を「代表画像」と決め、その1枚だけを認識対象にします。全画像を対象にすると、パッケージや小物が写った画像から誤ったタグが付きます。
• 仕入先から届く画像の扱いを決める：形式も撮り方もばらばらなことが多いため、そのまま認識対象に混ぜず、代表画像だけ自社で撮り直すか、別扱いにします。

この4点を整えるだけで、認識結果の手直しは大きく減ります。撮影の標準化は費用がかからないうえ、商品ページの見え方も揃うため、投資対効果は最も高い部分です。

タグを付けたあと、どこで使うか

タグ付けは手段であり、使う場所を決めていないと作業だけが残ります。実際に効果が出やすい使い道は次の3つです。

• 絞り込み（ファセット）検索：色・柄・素材で絞り込めるようにする。タグの投資対効果が最も分かりやすく出る使い道です。
• 「似ている商品」の提案：商品ページの下部や在庫切れ時に、同じ属性を持つ商品を出す。特に在庫切れの代替提案は、機会損失に直接効きます。
• 検索語との突き合わせ：サイト内検索のログに出てくる語（「ベージュ」「大きめ」など）がタグとして存在しているかを確認する。存在しない語が上位にあれば、それが次に追加すべきタグです。

順番としては、絞り込み検索から始めるのが確実です。使う場所を1つに絞れば、必要なタグの種類も自然に決まり、無駄な属性を作り込まずに済みます。

進め方（4フェーズ）

商品画像すべてを一気に対象にするのではなく、段階を踏んで進めるのが実務的です。

①現状の把握では、現在の商品画像にどんな情報が紐づいているか（あるいは紐づいていないか）、画像の撮影条件や登録フォーマットがどれだけバラついているかを洗い出し、AIでの認識・タグ化がどこまで自動化でき、どこに人の確認が必要かを見立てます。

②PoC（概念実証。小規模に試して効果を確認する工程）では、一部の商品カテゴリだけを対象に、AIによる色・柄・形状の認識とタグ付けを試し、認識結果の精度と、人による確認・修正がどの程度必要になるかを確認します。

③実装では、PoCで見えた範囲を踏まえて対象カテゴリを広げ、画像認識で得たタグ・属性データを検索やレコメンドの仕組みに連携できる形で構造化・蓄積します。

④運用は、新規商品が追加されるたびに画像の認識・タグ付けの精度を維持し、タグの粒度や分類基準を実態に合わせて見直し続ける工程です。

費用の目安

費用は対象商品数・画像の状態・目指す活用範囲（検索だけか、レコメンドまで含むか）で変わります。以下は市場の一般的な目安で、特定サービスの確定価格ではありません。

判断の分かれ目は、必要なタグが一般的な属性か、自社固有の分類かです。色やカテゴリ程度なら汎用サービスの従量利用で足り、「この柄は当社では何と呼ぶか」という軸が必要なら、分類の定義から設計することになります。

まとめ——画像に埋もれた情報も、検索・提案の"材料"として整理できる

「似ている商品が探せない」「新商品の分類・タグ付けが目視作業のまま回らなくなっている」と感じているなら、原因は検索機能そのものより、商品画像に埋もれた色・柄・形状・カテゴリといった情報が言葉として整理されていないことにある可能性があります。