소개

유행의 AI라든지 녀석으로, 조금 해 봐라라고 말해졌을 때에, 조금 하기 위한 Tips입니다.

배경

제조업용 AI 벤처에서 일하고 있는 비엔지니어입니다만, 손님으로부터, 「조금 해 봐라」라고 말했을 때에, 왠지 좋은 방법 없을까라고 생각하고 있을 때 AutoML을 만났습니다. 엔지니어에게 가동하기 전에 여기에서 쉽게 시험하고 싶다고 생각했기 때문에, 좋은 도구입니다

했던 일

AutoML Vison에서 이미지 분류를했습니다.

사용한 데이터 세트

데이터 세트는 MVTec Anomaly Detection Dataset을 사용했습니다.
이쪽으로부터 다운로드 했습니다.

이번에는 시험으로 이미지 분류이므로 데이터 세트의 본래 목적인 Anomaly Detection이 아닌 이미지 분류로 Screw의 test만 사용합니다.

준비

GCP 계정을 만들고 로그인합니다.
이미지 데이터 업로드로부터 학습의 흐름은, 이 기사 를 참고로 했습니다.

zip으로 업로드했지만 상당히 시간이 걸렸습니다.
커피도 마시고 기다리자.

데이터가 준비되면 목록에서 볼 수 있습니다.

학습

데이터 로드가 성공하면 "교육"탭으로 이동합니다.


"트레이닝 시작"버튼을 누르면 Google 님이 잘 학습을 진행시켜줍니다.
그러나, 이런 소량의 학습 데이터로 제대로 분류할 수 있는 것일까. . .

여기서도 잠시 기다리겠습니다.
계정을 만들면 30000 엔 분 정도는 무료로 사용할 수 있으므로 아마 괜찮습니다.

결과

한밤중에 학습 시작하고 아침에 일어나면 끝났습니다.
이미지의 분류 결과는 다음과 같습니다.



데이터가 적을수록 OK는 제대로 분류되어있는 것 같습니다.


그 외, 각 라벨의 분류 결과를 볼 수 있습니다.

요약

버튼 포치포치하는 것만으로 분류 모델을 (좋아하게) 만들 수 버리는 것은, 매우 편리. 이번은 소량의 학습 데이터로 그와 같은 결과가 나왔지만 참고 정도일 것이다. 또, 학습·추론에 어떤 모델을 사용하고 있다/사용해 보았는지, 전혀 모르는 블랙 박스(Google의 비전의 소스)이므로, 비즈니스 프로세스에 맞춘 사용법을 모색하고 싶다.