Help us understand the problem. What is going on with this article?

NNC Challengeに参加しました

はじめに

こんにちは、Qiita初投稿のkaru_beeです。Neural Network Consoleを用いてPIXTAの写真素材を画像分類するNNC(Neural Network Console)Challengeに参加しました

NNC Challengeとは?

以下のURLを参照してください。
https://nnc-challenge.com/

学習データ提供

学習用データ提供:PIXTA

今回のテーマ

『画像内人物をNNCで学習させ画角/焦点距離による画像分類を作り出す』

やったこと

1.ダウンロードしたデータにアノテーション(タグ付け)する

本当にざっくりですけど、焦点距離で5つのクラスに分けます。

クラス0.望遠 : 焦点距離 = 100mm
クラス1.広角 : 焦点距離 = 28mm
クラス2.準広角: 焦点距離 = 35mm
クラス3.標準 : 焦点距離 = 50mm
クラス4.中望遠: 焦点距離 = 85mm

焦点距離を調べるには、各画像ファイルのExifデータを見ます。
ファイル→プロパティ→詳細
exif.JPG

NNCのアノテーションのやり方は、以下の動画に詳しく解説されています。
https://www.youtube.com/watch?v=v6Rr6IODwK4
アノテーションした5つの画像フォルダを、上記の動画の説明に従いNNCクラウドにアップロード。
最終的には10,000点のデータセットのうち、1クラス250枚を1セットとし1250枚をアノテーションして90:10でtrain test splitしました。

2.画像分類モデルを作成する

非常にベーシックな構成のCNNです。
入力画像64*64*3chを、指定した5クラスに分類します。
model.jpg

3.結果

・学習結果
gakusyu.JPG

・検証結果
ACCU.JPG
MATRIX.JPG
以上、いまひとつな結果となってしまいました。やはり、焦点距離だけで学習した画像を分類するのは、非常に厳しいようです。焦点距離以外にも何らかの特徴量を追加しなくてはならないようですね。

今回は残念ながら提出締め切り2日前なので、ここでギブアップです(笑)

4.感想

・今回はNNCクラウド版のCPU10時間無料枠で実施し、有料版のGPUは使いませんでしたが、特に学習時間のストレスは感じなかったです。

・NeuralNetworkConsoleについては、これでもかというくらいコードを書かなくても良いように設計されています。GUI大好きな人ならお手軽にディープラーニングを始めることが可能です。

最後まで読んでくれてありがとうございました。

karu_bee
Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした