- コードを書かず、AWSのサービスを使いAIを構築してみる
- 例として、六角ボルト長の判別を行う
- ちなみに肉眼では、ぱっと見で違いが判りにくかった
- AIもうまく判別できていなかった より学習データの量・質共に向上させる必要がある
学習データの作成
学習データの拡張
学習データ数の見積
-
パラメータ: 1(ボルト長)
- 10倍の法則より: 学習データ数 10以上
回転方向数 * マスク・切抜パターン数 * 撮影枚数 > 10
ここで、
マスク・切抜パターン数 = 3パターン
回転画像数 = 4方向
なので、
必要撮影枚数は最低1枚以上
学習結果のテスト用も含め、今回は2つのボルトを15枚ずつ 計30枚撮影する
学習データ数は計 360となる
学習データの登録
- S3に上げる前に余白の切取り・正規化・回転処理・マスク・切り抜き処理は済ませておく
- Amazon SageMaker Ground Truthでラベリングする
参考:
Amazon SageMaker Ground Truth を試してみる
学習
参考:
Amazon Rekognition Custom Labels でアーモンドとピーナッツの判別モデルを作ってみた。
Amazon SageMaker 物体検出モデルの構築 ~Honey Bees~
学習データセットの作成
先ほど作ったAmazon SageMaker Ground Truthのデータを使う
学習実行
- 今回は40分で終了
学習結果評価
- この時点ではまずまずの結果だとおもっていた
参考:
Amazon Rekognition Custom Labels を使って自分ちの猫を見分ける!
テスト
CLIにて確認
2020/04現在 Windows最新版CLI未対応
まとめ
-
学習時の評価とは違い、実際にはうまく判別できていなかった
- より学習データの量・質共に向上させる必要がある
-
Sagemakerほど機能は豊富でない
- チューニングはできない AWSのアルゴリズムに完全にお任せである
- 学習を中断することはできない
参考:
Amazon SageMakerの自動モデルチューニングにおいて学習ジョブの早期停止機能がサポートされました – Amazon SageMaker Advent Calendar 2018
-
複数の物体の判別はできない