1. リード文

「AIが画像を見て理解する」――この一文で表される技術がコンピュータビジョン（Computer Vision、以下CV）です。スマートフォンのカメラが顔を認識する、工場のラインで不良品を自動検出する、内視鏡映像からがんの疑いを検出する。これらすべての裏側で動くモデルを設計・開発・改善するのが、画像認識・CV専門データサイエンティストです。

人材エージェントとして20年、AI領域の求人を数多く扱ってきた経験から言うと、この職種はいまもっとも「需要と供給のギャップが大きい」領域のひとつです。企業は「CVができる人が欲しい」と言いますが、純粋にCVを専門領域として掘ってきた人材の数は絶対的に少ない。だからこそ、実力があれば交渉の余地が大きい職種でもあります。

この記事では、仕事内容・必要スキル・年収感・向いている人・キャリアパスを、採用の現場感を踏まえて正直に解説します。転職を考えている方はもちろん、「自分はこの職種に向いているか？」を判断したい方にも役立てていただければと思います。

2. 職務の概要

コンピュータビジョン専門DSとは何か？

データサイエンティストという肩書きは幅広いですが、CV専門と付くと話がかなり変わります。テーブルデータの分析やNLP（自然言語処理）とは異なり、静止画・動画・3Dデータを対象とした知覚AIを専門に扱います。

主な対象技術はこのあたりです：

  • 物体検出（Object Detection）：画像内の物体の位置とクラスを特定（YOLO、DETR系など）
  • セマンティックセグメンテーション：ピクセル単位で領域を分類（医療画像、自動運転の道路認識など）
  • インスタンスセグメンテーション：個別の物体を識別しながらマスク生成（Mask R-CNN系）
  • 顔認識・顔属性推定：認証システム、感情分析など
  • 姿勢推定（Pose Estimation）：人体・手・物体の骨格・姿勢を推定
  • 3D点群処理（LiDAR・DepthCamera）：自動運転や工場内ロボティクスで活用
  • SLAM（Simultaneous Localization and Mapping）：自己位置推定と地図生成の同時実行
  • 動画解析：行動認識、異常検知、トラッキング
  • 医療画像解析：CT・MRI・内視鏡画像の病変検出・セグメンテーション
  • 衛星・リモートセンシング画像解析：農業、インフラ点検、防災など

どんな企業が採用しているか

求人の発生源は大きく5つのカテゴリに分かれます。

業種代表的な用途
自動車・モビリティ自動運転（ADAS）、カメラアルゴリズム開発
医療・ヘルスケア内視鏡AI、病理診断支援、医用画像解析
製造・品質管理外観検査、不良品検出、ロボットビジョン
AIスタートアップ汎用CVプラットフォーム、SaaS型検査AI
研究機関・大手メーカーR&D基礎研究、論文実装、次世代センサー開発

Indeed・Greenなどの主要求人サイトでは、2026年6月時点で「画像認識 AI」の求人が7,000件超、「コンピュータビジョンエンジニア」だけでも1,000件以上が掲載されています。かつては大手企業の研究所や一部の先進的スタートアップだけの職種でしたが、製造業や医療分野での実用化が進んだことで、中堅企業にまで採用の裾野が広がっています。

3. 仕事内容

実際の求人票をもとに、日常業務の内訳を整理します。

3-1. モデル開発・研究

  • 最新論文の調査・実装・ベースライン構築
  • 物体検出・セグメンテーション・分類モデルの設計と学習
  • ハイパーパラメータチューニング、モデルアーキテクチャの改良
  • アンサンブル・蒸留・量子化による軽量化・高速化
  • GPU環境（CUDA/TensorRT）でのパフォーマンス最適化

3-2. データ整備・アノテーション設計

画像AIの品質は「どんなデータをどう集めてどうラベルを付けるか」でほぼ決まります。現場では：

  • 学習データの収集計画・撮影条件定義
  • アノテーション仕様書の作成（外注先の管理を含む）
  • データ拡張（Data Augmentation）戦略の設計
  • クラス不均衡・ドメインシフトへの対処

といった泥臭い作業が研究と同じくらいの比重を占めます。「モデルだけ書けばいい」は幻想です。

3-3. 評価・検証

  • 精度指標（mAP、IoU、F1、AUROC等）の設計と実装
  • エラー分析（どんなケースで失敗するかの分類）
  • A/Bテスト設計、実環境でのパフォーマンス検証
  • 安全性・公平性の評価（医療・自動運転領域で特に重要）

3-4. 実装・デプロイ・運用

研究フェーズが終わると、実際にシステムに組み込む工程が待っています。

  • ONNX/TensorFlow Lite/TensorRTへの変換
  • エッジデバイス（Jetson、Raspberry Pi等）への推論実装
  • クラウド推論API（AWS SageMaker、GCP Vertex AI等）の構築
  • 推論速度・メモリ使用量のプロファイリングとボトルネック解消
  • 本番監視、精度劣化検知、再学習パイプラインの整備

3-5. クロスファンクショナルな連携

純粋な研究職に近いポジションを除けば、以下のような関係者との連携が必要です：

  • プロダクトマネージャー：どの精度・速度・コストのトレードオフが現実的かの合意
  • ソフトウェアエンジニア：推論モジュールのAPI設計、システム統合
  • ハードウェアエンジニア：カメラ選定、照明条件、センサー仕様の共同検討
  • 品質・規制担当：医療機器認証（QMS）、自動車機能安全（ISO 26262）対応

4. 必要スキル

4-1. 必須スキル（MUSTライン）

求人の9割以上で要求される内容です。

プログラミング

  • Python（研究・プロダクション両方）
  • C++（組み込み・リアルタイム処理が絡む場合）

深層学習フレームワーク

  • PyTorch（現在のデファクトスタンダード）
  • TensorFlow / Keras（特に医療・既存システム継承案件）

CV基礎ライブラリ

  • OpenCV（画像前処理・後処理の定番）
  • Pillow、scikit-image

基礎理論

  • 畳み込みニューラルネットワーク（CNN）の構造と動作原理
  • 物体検出・セグメンテーションの主要アーキテクチャ（ResNet、YOLO系、ViT等）
  • 確率・統計、線形代数の実用的知識

データ処理・実験管理

  • NumPy、pandas
  • MLflow、Weights & Biases（W&B）等の実験管理ツール

4-2. 差別化スキル（プラスアルファ）

これがあると一段上の評価・年収に届きやすいスキルです。

スキル価値が高い理由
モデル軽量化・量子化エッジ展開が必須の案件で即戦力になれる
3D点群・LiDAR処理自動運転・ロボティクス案件で強い需要
SLAM実装経験希少性が高く、専門チームへのアクセスが容易
医療画像の知識（DICOM等）参入障壁が高い分、単価も高い
ViT / Transformer系CVモデル最新アーキテクチャの実装経験
MLOps / デプロイ経験研究だけでなくプロダクション貢献ができる
英語論文の読み書き最新技術へのアクセス速度が違う

4-3. 学歴・資格について

学歴：大学院（情報系・電気系・物理系）修士以上が選考で有利になる傾向はあります。ただし、GitHubに公開されたCVプロジェクトや競技AI（Kaggle等）での実績が証明できれば、学歴ハードルを超えられる企業も多いです。Kaggle Masterや専門領域の国際会議（CVPR・ICCV・ECCV）への投稿経験は、学歴以上の説得力を持ちます。

資格：特定の必須資格はありませんが、G検定・E資格（日本ディープラーニング協会）は基礎知識のシグナルとして使えます。

5. 年収帯

市場データ（JACリクルートメント・パーソルキャリア・Morgan McKinley・求人サイト掲載情報）をもとに整理しました。

経験・レベル目安年収備考
ジュニア（0〜2年）400万〜600万円研究室出身の新卒・第二新卒
ミドル（3〜5年）600万〜900万円一定のモデル開発実績あり
シニア（6〜10年）800万〜1,200万円複数プロジェクトをリード可能
スタッフ・テックリード1,000万〜1,500万円アーキテクチャ設計・組織牽引
リサーチサイエンティスト1,000万〜1,800万円以上国際会議論文・特許実績が前提

注意点：

  • 外資系企業（Google、Meta、Microsoftなど）や一部のAIスタートアップ（ストックオプション込み）では、国内相場を大幅に上回るケースあり
  • 医療・自動運転など規制産業では、資格・認証対応の知識が加算評価される
  • フリーランス・業務委託では月80万〜150万円超の案件も流通しているが、継続性・福利厚生との兼ね合いで判断が必要

データサイエンティスト全体の平均年収（617万〜840万円台）と比較しても、CV専門は「専門特化プレミアム」が乗りやすく、交渉の余地が大きい職種です。

6. 向いている人

エージェントとして候補者と面談してきた経験から、この職種で長く活躍している人に共通する特徴を挙げます。

向いている人

1. 「なぜこのモデルはここで失敗したのか」を徹底的に掘り下げられる人 CVの実務では精度が上がらない期間が長く続くことがあります。そこで「結果が悪かった」で終わらず、エラー事例を分類し、データを疑い、アーキテクチャを疑い、仮説を立てて潰していける粘り強さが不可欠です。

2. 最新論文を読むことを苦に思わない人 CVは技術の進化が非常に速い領域です。2〜3年で主流アーキテクチャが入れ替わります。英語論文を日常的に読み、実装して試すことを「義務」でなく「楽しみ」と感じられる人が長続きします。

3. 「見る」ことへの感覚的な興味がある人 カメラの焦点距離・画角・露光・センサー特性、照明が精度に与える影響、人間の視覚との違い――CVは純粋な数理的な世界だけでなく、光学・物理的な現象への感度も活きます。

4. 研究とプロダクションの両方を行き来できる人 「論文は読めるけど実装できない」「コードは書けるけど論文が読めない」どちらも市場価値が下がります。理論と実装のバランスが取れている人が重宝されます。

5. ドメイン知識の習得を厭わない人 医療AIであれば医学的な知識、自動運転であれば道路交通法・センサー仕様、製造業であれば製造ラインの工程――現場のコンテキストを理解しないとモデル設計の判断が甘くなります。エンジニアに閉じず、ドメインに踏み込める人が評価されます。

向いていない人

  • 「とにかく高い精度を出せばOK」という思考で、業務インパクトに興味がない人（プロダクション要件が無視される）
  • 変化の速さにストレスを感じる人（毎年主流技術が変わる）
  • 一人で閉じた環境が好きで、業務要件の交渉・調整が苦手な人（実務は連携が多い）

7. キャリアパス

典型的なキャリアの流れ

研究室・大学院
     ↓
AIスタートアップ or 大企業R&D（ジュニア期）
     ↓
専門深化フェーズ：特定ドメイン（医療・自動車・製造）または技術軸（3D・SLAM・Transformer等）
     ↓ ↓（分岐）
[技術軸] シニアDS → スタッフエンジニア → テックリード → CTO・リサーチサイエンティスト
[ビジネス軸] シニアDS → MLプロダクトリード → プロダクトマネージャー → VPoP/CTO
[独立軸] フリーランスCVエンジニア → 技術顧問 → 起業

各キャリアパスの実態

テックリード・スタッフエンジニア路線 技術の最前線を走り続けながら、後輩育成・設計レビュー・アーキテクチャ議論をリードします。年収1,000万〜1,500万円台が射程に入り、「管理職にはなりたくないけど評価されたい」という人に向いています。

リサーチサイエンティスト路線 国際会議（CVPR・ICCV・ECCV・NeurIPS等）への論文投稿・採択実績が求められます。外資系企業の研究所、国内の大企業R&D部門で活躍するケース。年収は1,200万〜1,800万円超も珍しくありませんが、ポジションの絶対数が少なく競争率は高いです。

プロダクトマネージャー路線 「CVの技術を理解した上でプロダクトの方向性を決める」という役割は、技術PMとして非常に希少価値があります。エンジニアとビジネスサイドのブリッジとして、スタートアップのVPレベルまで短期間でキャリアアップしている事例があります。

ドメイン特化路線 医療AI専門、製造検査AI専門のように、特定ドメインとCVの両方に精通する方向性です。ドメイン知識が参入障壁になるため、同じレベルの技術力でも相対的な希少性が高まります。

関連資格・シグナル

シグナル説明
Kaggle Expert / Master / GMコンペ実績。採用担当者への説得力が高い
CVPR / ICCV 投稿・採択リサーチ路線で必須に近い
AWS / GCP / Azure AI認定MLOps・クラウド展開スキルの証明
E資格（JDLA）国内での基礎知識証明。エントリーレベルで有効

8. 転職市場の現状（2026年）

供給不足が続く構造

経済産業省の試算では、AI人材は2030年に12万人超の不足が見込まれており、特にCV専門人材はAI人材の中でもさらに希少なサブセットです。大学院で深層学習を学んでも、CVに特化して業務経験を積んでいる人は限られており、企業側の「即戦力CV人材」へのニーズに対して供給が追いついていません。

求人が多い業種・企業タイプ

医療AI：エルピクセル、AIメディカルサービスなど医療画像解析のスタートアップが積極採用。内視鏡・CT・MRIのAI診断支援は薬事規制が絡む分、一度参入すれば参入障壁が高い事業です。

自動車・モビリティ：アイシン、デンソー、ZMP、Tier IV等の自動運転・ADAS開発組織。Vehicle用カメラアルゴリズムの開発需要は継続的に高い。

製造業AI：国内の製造大手が外観検査・工場内ロボットビジョンを内製化する動きが加速しており、CV人材の採用が増加しています。

AIスタートアップ：Sakana AI、PFN（Preferred Networks）、Ridge-iなど研究開発型スタートアップでの採用も継続しています。

転職時のよくある落とし穴

  • 「研究だけやりたい」は通りにくい：スタートアップや事業会社では、研究〜実装〜運用まで一人で担うことを期待される場合が多い
  • ポートフォリオの質が問われる：「PyTorchは使えます」だけでは評価されない。GitHubのコード、Kaggle実績、論文投稿の有無が重要
  • ドメイン知識の深さが年収に直結：同じCVのスキルでも、医療・自動運転など規制産業の知識があれば年収交渉が有利になる
  • エッジ実装経験の有無：クラウド上の推論しか経験がないと、エッジ展開が主戦場の企業では評価されにくい

9. まとめ

画像認識・CV専門データサイエンティストは、「AIに目を持たせる」という非常に具体的で高難度の技術職です。深層学習の理論、実装力、ドメイン知識、データ設計のセンス、そして泥臭い精度改善への粘り強さ——複数のスキルを同時に要求されるからこそ、適切なスキルを持つ人材は市場での希少性が高く、年収交渉力も高くなります。

転職市場では2026年現在も継続的な需要があり、求人単価・年収レンジともに上昇傾向です。ただし「CVができます」という抽象的なアピールでは評価されにくく、「どのドメインで、どんな規模のデータで、どこまでの精度を出してプロダクションに乗せたか」という具体的な実績の言語化が転職成功の鍵になります。

医療AIの社会実装、自動運転の量産化、製造業のスマートファクトリー化——CV技術が社会に深く組み込まれていく時代において、この職種の社会的なインパクトは今後さらに大きくなっていくでしょう。技術の最前線に立ちながら、リアルな産業課題を解きたい人にとって、これ以上やりがいのある仕事はなかなかありません。

10. 参照情報源