コードを書かずにAIを構築してみる ー 失敗編

• 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

参考

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

• Amazon Rekognition Custom Labelsは2020/04現在東京リージョンでは使えない

• 学習データ例：20mm
  

• 学習データ例：25mm
  

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

各パラメータの意味

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

  • sample-20mm-25mm.png