eCognitionの代替ツール: ライセンスなしで行うオブジェクトベース画像解析

Trimbleの公式製品ページには、次の一文があります。"Trimble eCognition is no longer actively sold. This page remains active for existing customers to access software downloads." これは2026年8月23日に確認しました。つまり、問いは変わりました。ライセンスを更新する価値があるかではなく、どの無料ツールがどの工程を担えるのか、そして無料の代替が存在しない工程はどれか、という問いです。

私はTerraLabを共同創業したので、終盤のAI Segmentationは私たちの製品です。他と同じ列、同じ一行制限で記載しています。

eCognitionで実際にできること

eCognitionは、建物を見つけるボタンではなく、オブジェクトベース画像解析の環境です。各段階を手作業で調整します。

最初にセグメンテーションを行います。マルチレゾリューション・セグメンテーションは単一ピクセルから始まり、均質性のしきい値を保ちながら近傍ピクセルを結合します。オブジェクトの大きさに合わせてスケールパラメーターを設定し、均質性を色と形状に分け、さらに形状を平滑性とコンパクト性に分けます。形状の値は0.9を超えられません。この4つの数値が職人技にあたり、センサーや地形ごとに再調整します。

次に、自分で作成するクラス階層があります。クラス、継承される特徴量、スペクトル平均、テクスチャ、面積、近傍、親オブジェクトと子オブジェクトの関係に対するメンバーシップ関数です。そして実行し、結果を確認し、数値を変更し、もう一度実行します。

重要な出力はポリゴンではなく、.dcp ファイルとして保存するルールセット、または .dax ソリューションとしてパッケージ化されたものです。そのファイルが手法そのものです。同僚に渡して、eCognition Serverで1,000枚のタイルに適用し、毎回同じ分類結果を得て、なぜあるポリゴンが建物と判定されたのかを監査担当者に説明できます。

現在、これを完全に置き換える無料ツールはありません。 以下の各ツールは工程の一部を提供します。しかし、同僚が変更なしで実行でき、レビューで根拠を示せる、移植可能でバージョン管理されたルールファイルを提供するものはありません。成果物が地図ではなく手法であるなら、.dcp ファイルをまだ開けるマシンを残しておいてください。

Trimbleのルールセットのドキュメントとマルチレゾリューション・セグメンテーションのリファレンスは、どちらも現在もオンラインで無料で読めます。

ルート1: セグメンテーション工程だけが必要な場合

これらのツールは画像をオブジェクトに分割します。分類は行いません。

1. Orfeo ToolBox

eCognitionのセグメンテーション工程に最も近い無料ツールで、大規模なシーン向けに作られている唯一の選択肢です。

• 導入 OTBを導入し、次にOrfeoToolbox Provider pluginを導入します。このpluginはQGISコアから3.36で外れました。CookBookに接続方法があります。コマンドラインも使えます。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 任意のraster。LargeScaleMeanShiftは平滑化、セグメンテーション、小領域の結合、ベクトル化を連続して行い、バンドごとの平均と標準偏差を持つベクトルファイルを書き出します。そのテーブルを次の分類工程に渡せます。
• 費用 無料。Apache 2.0。
• 苦手な点 デフォルト設定です。空間半径5、範囲半径15、最小サイズ50ピクセル、タイルサイズ500×500です。オブジェクトの大きさが適切になるまで、何度か実行することになります。

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

すでにの中にあります。GRASSはQGISに同梱されています。

• 導入 何も必要ありません。GRASS providerはProcessingに最初から含まれています。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 imagery groupを入力します。segment rasterが出力され、i.segment.statsでオブジェクトごとの統計情報に変換して分類できます。
• 費用 無料。GPL。
• 苦手な点 根気が必要です。region growingとmean shiftの2つの方法があり、region-growingのしきい値には物理的な意味がないため、二分探索で見つけます。i.segment.uspo addonがこの探索を自動化しますが、数時間かかります。

i.segmentマニュアル · i.segment.stats · i.segment.uspo

3. SAGA

マニュアルを読む前にセグメンテーションを確認したいときの最短ルートです。

• 導入 Processing Saga NextGen Provider pluginとSAGA本体を導入します。QGISコアのProcessingセットからは外れました。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 gridを入力し、segment gridと任意のポリゴンを出力します。
• 費用 無料。GPL。APIはLGPLです。
• 苦手な点 大規模化や反復が必要な処理です。Imagery, Segmentation libraryにはSeeded Region Growing、Superpixel Segmentation、Watershed Segmentationと3つの補助ツールがあり、試すには高速です。しかし、オブジェクト特徴量のフレームワークはないため、統計工程は自分で構築します。

saga-gis.sourceforge.io

4. scikit-imageとRSGISLib

クリックするより、セグメンテーションを自分で書きたい人向けです。

• 導入 Python環境を用意します。scikit-imageはpipまたはcondaで導入でき、RSGISLibはcondaで導入しますが、より重いです。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 arrayを入力し、label arrayを出力します。ジオリファレンスはrasterioまたはGDALを使って自分で処理します。
• 費用 無料。scikit-imageはBSD-3-Clause、RSGISLibはGPL v3です。
• 苦手な点 周辺処理です。Felzenszwalb、quickshift、SLIC、watershedはそれぞれ4行で書けますが、CRSを理解するものはありません。RSGISLibのShepherd segmentationはeCognitionに最も近い公開実装ですが、conda-forgeからしか導入できません。2026年8月23日時点で公式サイトはhttpsへの接続に応答しなかったため、repositoryを使ってください。

scikit-image segmentation examples · RSGISLib repository

ルート2: 教師あり分類が必要な場合

トレーニングエリアを描き、ツールに学習させ、raster全体にラベルを付けます。これは、無料ソフトウェアがeCognitionから実際に置き換えられる半分です。

5. Semi-Automatic Classification Plugin

eCognitionから移行する人が最も多く行き着くpluginで、その選択は正しいです。

• 導入 pluginを導入し、依存関係を取得させます。Remotior Sensus上で動作し、scikit-learnとPyTorchを使います。
• 実行環境 自分のマシン上。CPUで問題ありません。アカウント不要。オプションのツールでLandsatとSentinel-2のシーンをダウンロードできますが、サーバーと通信するのはその場合だけです。
• 入力と出力 描画したトレーニングエリアとマルチバンドrasterを入力します。分類済みraster、精度レポート、指定すればベクトルlayerが出力されます。アルゴリズムはmaximum likelihood、minimum distance、spectral angle mapping、random forest、support vector machine、multi-layer perceptronです。
• 費用 無料。GPL v3。
• 苦手な点 オブジェクトです。セグメントではなくピクセルを分類するため、屋根は斑点状になり、後からクリーンアップが必要です。

Manual · Plugin listing

6. dzetsaka

より小規模で学習しやすく、約1分でモデルを学習できます。

• 導入 pluginを導入します。ライブラリが不足しているアルゴリズムを選ぶと、pipでの導入を提案し、進捗をQGISログに表示するため、ターミナルを開くことはほとんどありません。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 関心領域のshapefileとrasterを入力します。分類済みrasterと保存済みモデルファイルが出力されます。QGIS以外に何も必要としないGaussian mixture modelから、XGBoostやCatBoostまで、11種類のアルゴリズムがあります。
• 費用 無料。GPL v3。
• 苦手な点 テキストラベルです。ROI列には名前ではなくクラス番号を入れる必要があります。

Repository · Plugin listing

7. GRASS i.maxlikとr.learn.ml2

すでに導入済みで、スクリプト化に最適な組み合わせです。

• 導入 i.maxlikには何も必要ありません。r.learn.ml2はaddonで、scikit-learnが必要です。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 前者にはi.gensigで作成したsignature file、後者にはラベル付きのraster stackを入力します。分類済みrasterが出力されます。
• 費用 無料。GPL。
• 苦手な点 見つけにくさです。パラメーター名は、GRASSのデータモデルをすでに理解していることを前提にしています。理解できれば、bashやPythonのパイプラインにそのまま組み込めます。無料ツールの中では、eCognition Serverのバッチ処理に最も近い選択肢です。

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

LargeScaleMeanShiftと組み合わせれば、実質的なオブジェクトベースのチェーンになります。セグメント化し、オブジェクトごとの統計情報を計算し、分類します。

• 導入 上記と同じくOTBを導入します。
• 実行環境 自分のマシン上。CPUのみ。アカウント不要。
• 入力と出力 画像とトレーニング用ベクトルのペアを入力します。モデルファイルを出力し、指定すれば混同行列も出力します。画像もベクトルも書き出さないため、後からImageClassifierまたはVectorClassifierでモデルを適用します。
• 費用 無料。Apache 2.0。
• 苦手な点 初回の操作です。LibSVM、OpenCV machine learning、Shark MLを基盤としており、それぞれに独自のパラメータブロックがあります。実行後ではなく、実行前にCookBookのページを読んでください。

TrainImagesClassifier

ルート3: ルールセットを書かずにオブジェクトを抽出したい場合

モデルベースのツールです。調整と監査証跡を手放す代わりに、すぐに結果を得られます。

9. Deepness

用意した任意のONNXモデルをrasterに対してタイル単位で実行します。

• 導入 pluginを導入します。初回起動時にOpenCVとONNX Runtimeがpipで導入されます。
• 実行環境 自分のマシン上。CPUで動作し、GPUには自分でCUDAを設定する必要があります。アカウント不要で、データは外部に出ません。
• 入力と出力 XYZまたはWMS basemapを含む任意のraster layerと、自分のONNXモデルを入力します。ベクトルまたはraster layerを出力します。
• 費用 無料。Apache 2.0。
• 苦手な点 モデルのトレーニング範囲外の画像です。25 cm画像で学習したモデルは5 cmのドローン画像を読み取れませんが、pluginは警告できません。

Repository

10. Geo-SAM

QGISのパネルでSegment Anythingを使い、1回に1つのpromptを指定します。

• 導入 バージョン2.0以降はplugin managerから導入します。QGIS内から独自のcheckpointをダウンロードします。
• 実行環境 自分のマシン上。ノートPCのCPUでも十分な速度です。アカウント不要で、データは外部に出ません。
• 入力と出力 raster file、XYZ、WMS、WMTS layerを入力します。クリックまたはボックスごとに1つのポリゴンを作成し、Shapefileに保存します。
• 費用 無料。MIT。
• 苦手な点 広域処理です。一度に1つのオブジェクトしか返しません。2.0以降は2つのモードがありますが、事前エンコード方式では、最初にエンコードした範囲内でしかpromptを指定できません。

Repository · Plugin listing

11. samgeo

同じモデルをPython packageとして使い、シーン全体を処理します。

• 導入 Python環境を用意し、packageを導入します。初回は半日ほど見ておいてください。
• 実行環境 自分のマシン上。GPU推奨。アカウントは不要ですが、重みファイルのダウンロードが必要です。
• 入力と出力 GeoTIFFまたは取得したbasemap tilesを入力します。mask rasterとGeoJSON、Shapefile、GeoPackageを出力します。
• 費用 無料。MIT。
• 苦手な点 オフィス用ノートPCとCRSの不一致です。何も再投影しないためです。これはlibraryなので、companion pluginを追加しない限りコードを書く必要があります。

samgeo.gishub.org · Repository

12. GeoAI

タスクごとのパネルと、自分のモデル用のトレーナーを提供します。

• 導入 pluginと、その下で動作するPyTorch stackを導入します。プロジェクト自身がCUDA依存関係のため導入が難しいと説明しており、その通りです。
• 実行環境 自分のマシン上。実際にはNVIDIAカードが必要です。アカウント不要で、データは外部に出ません。
• 入力と出力 raster layerを入力します。タスクごとのパネルからポリゴンとmaskを出力します。
• 費用 無料。MIT。
• 苦手な点 画像よりも導入です。動作すれば、ここで最も幅広いtoolboxです。Segment Anything、tree crowns、water masks、Mask R-CNNに対応しています。

Repository · Plugin listing

13. Mapflow

範囲を描き、クラスを選び、サーバーからベクトルを取得します。

• 導入 pluginだけです。
• 実行環境 Geoalertのサーバー上。GPUは不要ですが、アカウントが必要で、処理のたびに画像が自分のマシンから外部へ送信されます。
• 入力と出力 描画した範囲を入力します。クラスごとのベクトルlayerを出力します。
• 費用 1クレジット0.10ドルです。建物は1 km²あたり10クレジットで、zoom 18 basemapを追加すると3クレジット、つまり約1.30ドル/km²です。無料枠は250クレジットで、25 km²までです。
• 苦手な点 密集した市街地です。テラスハウスが1つのポリゴンに結合されます。公式スクリーンショットでも確認できます。

mapflow.ai

14. AI Segmentation、私たちの製品

ゾーンを描き、対象を平易な言葉で入力すると、該当するすべてのオブジェクトをポリゴンとして取得できます。

• 導入 pluginだけです。重みファイル、CUDA、Python環境は必要ありません。
• 実行環境 2つのクラウドモードは私たちのサーバー上で動作し、Semi-Autoの小型ローカルモデルは自分のマシン上で動作します。どちらもGPUは不要です。無料アカウントが必要です。
• 入力と出力 オルソ画像とbasemapを入力します。スタイル付きGeoPackageを出力します。オブジェクトごとに1つのポリゴンが作成され、ラベル、クラス、信頼度スコア、面積が付与されます。
• 費用 無料プランでは、Automatic detectionが月3 km²、Semi-Autoのオブジェクト検出が月50件まで利用できます。カードは不要です。Proは月額39ユーロで、300 km²と2,000件のオブジェクト検出が含まれます。自分のマシン上で実行するSemi-Autoにはカウンターがありません。
• 苦手な点 アップロードを一切禁止する規則です。2つのクラウドモードでは画像をサーバーに送信し、小型ローカルモデルだけがマシン上に留まります。画像だけを読み取り、それ以外は読み取らないため、スキャンした地籍図からは何も検出できません。

Product page · Registry entry

QGISでAI Segmentationを無料で試す。カード不要

比較表

選び方

• 成果物が地図ではなく手法である。 ここに.dcpを置き換えられるものはありません。ルールセットを開けるマシンを残し、そのマシンが壊れる前に、文書化したProcessing modelまたはPythonスクリプトとして手法を再構築してください。
• セグメント化してからオブジェクト単位で分類した。 Orfeoを両方使います。オブジェクトにはLargeScaleMeanShift、ラベルにはTrainImagesClassifierです。オブジェクト統計を最後まで保持できる、唯一の無料チェーンです。
• 主にトレーニングエリアを描いて分類を実行したい。 精度レポートならSCP、1分でモデルを作るならdzetsakaです。
• 今日の午後に画像から建物を抽出したい。 すぐ使えるモデルがあるならDeepness、画像をマシンの外に出してよいならMapflowまたは私たちの製品です。
• 画像をマシンの外に出せない。 その条件だけでMapflowと私たちの2つのクラウドモードは除外され、残りのすべてが候補になります。

今夜、まず1枚のタイルにi.segmentを実行してください。すでにProcessing toolboxにあり、費用もかかりません。しきい値を20分試せば、eCognitionで行っていた作業のうち、どれだけがセグメンテーションで、どれだけがルールセットだったのかが分かります。

8つのAI pluginを比較では、モデルベースの工程をさらに詳しく説明しています。QGIS AI hubには、その他の選択肢を掲載しています。