Claude Media
Claude画像解析でできること — 得意な作業と苦手な作業の見分け方

Claude画像解析でできること — 得意な作業と苦手な作業の見分け方

Claudeの画像解析はグラフ・スクリーンショット・手書き文字の読み取りに強い一方、人物の実名特定や正確な物体カウントは苦手です。縮小の仕組みと向き不向きを解説します。

Claudeに画像を読ませると、グラフの数値・スクリーンショットのエラー・手書きのメモまで解析してくれます。ただし得意不得意の差ははっきりしています。実在する人物の名前は特定できず、細かい物体の個数も概算にしかなりません。添付方法やファイル形式ではなく、解析の精度そのものが本記事の対象です。

Claude画像解析でできる具体的な作業

対象はグラフ・図表・スクリーンショット・手書き文字など、視覚情報全般です。複数の要素が混在した資料も、文脈をふまえて読み解きます。観葉植物の状態を写真から診断してもらう手順はClaudeに観葉植物が枯れる原因を写真から相談する方法にあります。部屋の写真で片付けを相談する使い方はClaudeに部屋の写真を見せて片付け・収納プランを相談する方法です。

  • グラフ・図表の数値読み取り: 棒グラフや折れ線グラフを渡し、「2024年の売上は」のように具体的な数値を聞く
  • スクリーンショットのエラー診断: エラーメッセージやUIの崩れを渡し、原因の推測や修正案を聞く
  • 手書き文字・数式の読み取り: ノートや黒板の写真から文字起こしや数式の解釈を頼む
  • 複数画像の比較: 同じ製品の写真2枚の違い、複数のスクリーンショットの変化点を探させる
  • 表構造の抽出: 画像内の表をMarkdown表やCSVに書き起こす

どれも「画像を見て言葉にする」作業です。画像そのものの生成・編集はできません。この違いはClaude画像生成はできない — 読解との違いと代替手段にあります。対応形式はJPEG・PNG・GIF・WebPで、GIFはアニメーションが無効になり最初のフレームだけが使われます。不良品写真の仕分けに応用する手順はClaudeで外観検査の不良品を写真から分類するにあります。

小さな文字が読めないときは縮小を疑う

Claudeは画像を28×28ピクセルの区画(パッチ)に分けて見ます。1区画が1つの視覚トークンで、画像のコストは「横÷28の切り上げ × 縦÷28の切り上げ」です。大きすぎる画像は処理の前に縮小され、そのとき小さな文字やグラフの目盛りが潰れます。

縮小の条件は2つあります。辺の長さの上限と、視覚トークン数の上限です。

モデルの区分対象辺の上限視覚トークン上限
標準対象Claude 4.7より前のモデル辺の上限1,568px視覚トークン上限1,568
高解像度対象Claude 4.7以降のモデル辺の上限2,576px視覚トークン上限4,784

写真やスクリーンショットでは、たいていトークン数の上限が先に効きます。辺が1,568px未満でも縮小は起きます。1,092×1,092pxなら1,521トークンで無縮小ですが、2,000×1,500pxは標準区分で1,269×952pxに縮みます。「長辺1,500px前後なら安全」という目安は成り立ちません。

辺の上限が先に効くのは、パノラマ写真や縦長のスマホ画面のように極端に細長い画像です。1,170×2,532pxのスマホ画面は、標準区分で725×1,568pxまで縮みます。長辺が1,568pxに揃えられ、短辺もそれに引きずられて小さくなります。一方、200×200pxは64トークン、1,000×1,000pxは1,296トークンで、どちらも縮小されません。

数字

同じ画像が区分ごとにどう扱われるか

  • 1,920×1,080 標準区分

    1,456×819に縮小

    1,560トークン。1,568×882ではない

  • 1,920×1,080 高解像度区分

    縮小なし

    2,691トークン

  • A4スキャン1,075×1,520 標準区分

    924×1,307に縮小

    辺は上限未満でも2,145トークンが上限超過

  • A4スキャン 高解像度区分

    縮小なし

    2,145トークンは上限4,784以内

数値はAPI公式ドキュメントの例示。ほぼ同じ形のスクリーンショットも、解像度が違えば扱いが変わります

高解像度区分は文字の多い資料に有利ですが、同じ画像で最大約3倍の視覚トークンを使います。Claude Opus 5の単価(100万入力トークン$5)では、1,000×1,000pxの画像が1,000枚で約$6.48、4K画像が約$23.92です。単価の安いClaude Haiku 4.5(100万入力トークン$1)なら、同じ1,000×1,000pxの画像1,000枚が約$1.30です。細部が要らない用途では、先に縮小してから送るとコストも遅延も抑えられます。計算式の詳細はClaudeの画像のトークンコスト計算式にあります。

読ませたいのが画像の一部なら、その部分を切り出して送るのが確実です。文字を大きくしたいだけの理由で、判断に必要な周辺の文脈まで切り落とすのは避けます。座標を使う処理で縮小を検知したいときは、APIの画像ブロックに transformations の "oversized_image": "error" を指定します。縮小される画像が400エラーで拒否され、指定しない既定の "downsize" では黙って縮小されます。設定の詳細は画像リサイズで座標がずれる原因にあります。

{
  "type": "image",
  "source": { "type": "base64", "media_type": "image/png", "data": "..." },
  "transformations": { "oversized_image": "error" }
}

精度を上げる画像とプロンプトの組み方

画像は質問文より先に置くと結果が安定します。後に置いても十分動きますが、使い方に余地があるなら「画像、次に質問」の順が推奨されています。

画像の状態は精度に直結します。ぼやけた画像や、文字が小さすぎる画像は避けます。非可逆圧縮のJPEGを何度も保存し直すと、圧縮ノイズで文字が読みにくくなります。claude.aiのヘルプには、1,000×1,000px以上の画像を使うよう書かれています。

質問の具体性も効きます。「このグラフを説明して」では一般的な説明が返りがちです。「2024年と2025年の売上を比較して、増減率も計算して」のように、読み取る項目と出力形式まで書くと狙った情報が返ります。エラー画面なら「メッセージを一字一句書き起こしたうえで、原因を3つ挙げて」のように粒度を指定します。

複数画像を渡すときは、画像ごとに「画像1:」「画像2:」と短いラベルを添えます。ラベルがあれば、質問でも後続のターンでも名前で指せます。

座標を返させる場合は、ピクセル座標で頼みます。0〜1に正規化した座標を頼むと精度が落ちるので、正規化が要るなら返ってきたピクセル値を自分のコードで割ります。返ってくる座標は縮小後の画像上の位置なので、原寸に戻すときは縮小後の寸法で割ります。縮小したかどうかに関係なく、画像は28の倍数まで右と下に余白が足されます。この余白込みの寸法で割るとズレが出るので、縮小後の寸法で割ります。

細かい対象を狙うなら、関心のある領域を切り出して送ります。切り出した画像で返った座標には、切り出し元の原点(左上の位置)を足して原画像の座標に直します。高解像度区分のモデルを使う手もあります。PDFはサーバー側で読み込まれて寸法を指定できないため、座標を原本のページに戻すのが難しくなります。座標を使うなら、ページを自分で画像化してから渡します。縮小前後の寸法の取り違えで起きるズレの実例はClaudeの画像リサイズで座標がずれる原因で扱っています。

精度が落ちる・使えない5つの場面

限界

5つの限界

  • 人物の実名特定

    Acceptable Use Policyにより、画像の人物の名前を特定する用途には使えません。依頼すると拒否されます。露骨・不適切な画像の解析も同じ扱いです。

  • 低品質・小さすぎる画像

    200px未満の画像、回転した画像、低画質の画像では誤った解釈(ハルシネーション)が出ることがあります。

  • 正確な物体カウント

    個数は概算までです。小さい物体が大量にある画像ほど、実際の数とズレやすくなります。

  • 座標・位置の特定

    バウンディングボックスや座標は近似値です。厳密な位置合わせには、出力を目視などで検証する工程が要ります。

  • AI生成画像の判定

    AI生成かどうかを聞いても、正しく見分けられるとは限りません。偽画像の検出には使えません。

医療分野では、一般的な医療画像は分析できますが、CTやMRIなど複雑な診断スキャンの解釈を想定した設計ではありません。出力は専門家の診断の代わりになりません。不審なSMSのスクリーンショットも同じで、文面の整理はできてもリンク先の真偽は確かめられません。

回答がおかしいときの切り分け

手順

誤読・ズレが出たときに上から確認する

  1. 1

    縮小されたかを数式で確かめる

    画像の寸法から「横÷28の切り上げ × 縦÷28の切り上げ」を計算します。標準区分で1,568、高解像度区分で4,784を超えるか、長辺が1,568px(高解像度区分は2,576px)を超えていれば縮小されています。たとえば1,600×200pxは58×8=464トークンで上限に遠くても、長辺が1,568pxを超えるので縮みます。APIなら "oversized_image": "error" を付けて送り直すと、縮小される画像は400エラーになるので、実際に縮んでいたかが分かります。

  2. 2

    質問の書き方を変えて再試行する

    同じ画像でも、項目を絞って出力形式を指定すると結果が変わります。エラー画面なら、原文の書き起こしを先に頼むと、文字を読めているかどうかをそこで確かめられます。GIFを送っていた場合は、見せたい場面をPNGなどの静止画に書き出して渡し直します。

  3. 3

    それでも直らなければ報告する

    claude.aiでは回答の親指マーク(評価)で報告できます。サポートへの連絡も可能です。

claude.aiとAPIで枚数・サイズの上限は違う

くらべる

画像の上限の数字

チャット

claude.ai

Visionのページでは1メッセージ20枚、1枚10MBまでです。ヘルプの記事では、チャットへのアップロードは1チャット最大20ファイル、画像寸法は8,000×8,000pxまでとされています。ヘルプの記事の1ファイル500MBは、画像以外も含むファイル全般の上限です。

開発者向け

API

1リクエストあたり、200kトークンのコンテキストのモデルで100枚、それ以外で600枚です。1枚10MB(BedrockとGoogle Cloudは5MB)、寸法は8,000×8,000pxまでです。20枚を超えるリクエストでは、全画像により厳しい寸法制限がかかります。超えた画像は、メッセージにmany-image requestsを含む invalid_request_error で拒否され、現在の上限値もメッセージに示されます。全プラットフォームで通すには、各辺を2,000px以下にするか、画像とドキュメントのブロックを合わせて20個以下に抑えます。再送した過去ターンの画像や tool_result の中の画像も、この20枚の判定に数えられます。

APIでの画像の渡し方は、base64の埋め込み・画像のURL・Files APIの file_id の3種類です。Amazon BedrockとGoogle Cloudで使えるのはbase64だけです。

枚数がいくらでも入るわけではなく、リクエスト全体の上限(標準エンドポイントで32MB)が先に来ることがあります。大きな画像を多数含むリクエストは、600枚という枚数の上限に届く前に失敗する場合もあります。枚数が多いときはFiles APIで事前にアップロードし、file_id で参照すると、リクエストを小さく保てます。

よくある質問

撮影日時や撮影場所をExif情報から読み取れますか

読み取れません。Claudeは画像のメタデータを一切受け取らず、見えているピクセルだけから判断します。撮影日時やGPS座標を知りたい場合は、元のファイルをメタデータ抽出ツールで確認します。

送った画像は学習に使われますか

Visionのドキュメントによると、アップロードした画像はAPIリクエストの処理が終わると自動的に削除され、Anthropicはアップロードされた画像をモデルの学習に使いません。

まとめ

claude.aiで使うなら、効くのは画像の状態と質問の具体性です。APIで組み込むなら、送る前にトークン数を計算し、20枚の境目と縮小の有無を押さえておくと、誤読の原因を切り分けやすくなります。画像解析を仕事に組み込む具体例はClaudeマーケティング活用でも扱っています。

参照した一次ソース

この記事の記述は、次の一次ソースと照合しています。更新時に参照先が変わった場合は一覧も更新します。

  1. docs.claude.com/en/docs/build-with-claude/vision
  2. platform.claude.com/docs/en/build-with-claude/vision
  3. platform.claude.com/docs/en/build-with-claude/vision-coordinates
  4. support.claude.com/en/articles/8241126-upload-files-to-claude
この記事を共有:XはてブLinkedIn