プロローグ ※この章は読み飛ばしても構いません 多くの人が挑むも解くことが叶わなかった人類史上の難問といわれるものがいくつかある． 数学界で最も有名な難問といえばおそらく「フェルマーの最終定理」であろう．弁護士であり数学者であったフェルマーが「解答を書くにはこの余白は狭すぎる」と書き残してこの世を去って以来，天才ワイルズが現代数学の成果を結集して証明を完成させるまで300年以上も数学者たちの挑戦を退け続けた．その他にも，京都大学の望月教授が宇宙際タイヒミュラー理論を用いて証明したといわれるABC予想や，7つのうち6つが現在も未解決であるミレニアム懸賞問題などはあまりにも有名である． 一方数学以外でも，例えば宇宙の始まりを巡る議論は多くの人を惹きつけてきた難問であり，アインシュタインやホーキングら天才たちの研究によって徐々にその姿が明らかになってきた．「我々はどこから来たのか，我々は何者か，
宣伝 人工知能が顔面成分を分析してくれるサイトを作りました。ぜひ使ってみてください！ ちなみにTensorflow.jsで作成しているのですべての処理がユーザーのブラウザで行われます。つまり、画像をアップしてもそれがサーバーに送られることはなく、セキュリティ的にも安心です。 ai-animal.web.app 何番煎じなんだって感じもしますが、まとめておきます。 「keras-yolo3で学習済みモデルを使って一般的な物体検出はできた」という方が対象です。 ちなみにkeras-yolo3とは物体検出を行う深層学習モデルYOLOv3をkerasで実装した有名なgitHubリポジトリのことです。 github.com さて、独自データセットで学習させるためには大きく分けて3つのことをする必要があります。（執筆時点） ・データのアノテーション ・train.pyによる学習 ・独自データによる学習
こんばんはエンジニアの眠れない夜です。 前回はkeras−yolo3の使い方をご紹介しました。 【物体検出】keras−yolo3の使い方 まだ読んでいない方は先にkeras-yolo3の使い方を読んでkeras-yolo3を動くようにしてからこの先を読み進めるとスムーズにkeras-yolo3の学習を始められます。 物体検出ってこんなに簡単にできるの！？ってなります。機械学習がとっても身近なものに感じられるようになります。 keras−yolo3の独自データセット学習の流れ sleepless-se/keras-yolo3 をクローン 教師画像をダウンロード 教師画像をリサイズ VOTTでアノテーションを作成 アノテーションファイルをYOLO用に変換 YOLO学習開始 結構ステップが多くて大変そう(；´Д｀) と、感じますがそこはディープラーニング、仕方ないですね(^_^;) sleep
TensorFlowの「Object Detection API」で物体検出の自前データを学習する方法（TensorFlow 1.x版） - Qiita
TensorFlowの「Object Detection API」で物体検出の自前データを学習する方法（TensorFlow 1.x版） TensorFlow 2.xの対応 TensorFlow 2.xの場合は以下のページを参照ください。 「Object Detection API」で物体検出の自前データを学習する方法（TensorFlow 2.x版） 「Object Detection API」と「Object Detection Tools」に関して ディープラーニングで物体検出を行う際に、GoogleのTensorFlowの「Object Detection API」を使用して、自前データを学習する方法です。 学習を簡単にするために、自作の「Object Detection Tools」というソフトを活用します。 「Object Detection API」と「Object Dete
近年、AI・人工知能の技術は急速に進歩しており、さまざまな業界でAIを導入するケースが見受けられます。実際、AIを活用したサービスを利用する方や、実際に業務でAIを活用する方も増えてきていることでしょう。 そんなAI領域ですが、専門用語も数多く存在しているため、正しく理解した上でAIを使いこなしていくには専門用語の理解が欠かせません。そこで今回は、AIを理解する上で重要な「アノテーション」について詳しく解説するとともに、アノテーションを行うツールをご紹介していきますので、ぜひ参考にしてみてください。 アノテーションについて詳しく知りたい方は以下の記事もご覧ください。 アノテーションとは？AI機械学習に欠かせない作業の種類を解説 アノテーションのサービス比較と企業一覧を見る アノテーションとはどんな意味？ アノテーションとは、音声や画像、テキストといったさまざまな形態のデータに対し、関連する
Chapters 📘 Chapter #0 YOLOとは 📘 Chapter #1 環境設定 📘 Chapter #2 アノテーション 📘 Chapter #3 📗 Chapter #3-1 YOLOv3 Keras版実装 📗 Chapter #3-2 YOLOv3 Darknet版 📘 Chapter #A 📗 Chapter #A-1 YOLOの各バージョンについてまとめ 📗 Chapter #A-2 YOLOv3 Keras版実装に関して関連記事のまとめ 📗 Chapter #A-3 ONNX変換・確認ライブラリ、アプリケーションまとめ TL:DR 元記事が手順として煩雑になっていたため、手順以外の調査した結果に関するまとめについてはこちらに分割しています。 YOLOv3のKeras版実装のソースについて qqwweee/keras-yolo3: A Keras
高知の花を自動で見つけよう！ AI 搭載 iPhone アプリ「花みっけ高知」をリリースしました - Xtra etc
農業とデータサイエンス、人工知能をテーマにしたオープンな勉強会、高知アグリ・データサイエンス・ラボ。 いちおう私が発起人で、これまで IoT 温湿度計をビニールハウス内で設置したりであるとか、 また、栽培管理記録から収穫量予測の研究などを行ってきました。 ここ数ヶ月は、農作物の物体検知に取り組んできました。 対象となる農作物は、高知県の特産花卉グロリオサです。 そして、物体検知について勉強していくうちに、この技術を応用したスマホアプリを作ろうという話の方向性になりました。 AI 搭載 iPhone アプリ「花みっけ高知」 そして先日 6 月 9 日に、無事、Apple の審査に通過し、アプリの配信が決定しました。 アプリの名前は「花みっけ高知」です。 花みっけ高知 Yuzo Kusunaga 教育 無料 apps.apple.com アプリ内でカメラを起動し、花にレンズを向けます。高知で生
はじめに keras-yolo3はyolo3のkeras実装です。 yoloを使うと、高速に画像内の物体が存在する領域と物体を認識することができます。 今回は、手動での領域のラベルづけ(アノテーション)を行い、自分で用意した画像を使ってkeras-yolo3を学習させてみました。 今回書いたソースコードはここに置いておきます。 https://github.com/algaeeater/keras-yolo3 やること 画像を同じ大きさにリサイズ VoTTでアノテーション作業 VoTTからアノテーション位置を取得し、keras-yolo3用のtxtファイルを生成 keras-yolo3の重みをダウンロード 学習用にkeras-yolo3のファイルを修正 GitHubからクローン GitHubからkeras-yolo3をクローンします。 画像を同じ大きさにリサイズ 学習用に呪腕のハサンの画像
はじめに こんにちは、この記事は基盤モデル×RoboticsのAdventCalendarの21日目です！ 基盤モデルについては初心者ですが、何やらすごいAIが登場したぞ！ということで自分なりに調べて今回記事を書かせていただきました（間違っている部分もあると思いますので、その場合はコメント等でご指摘ください）。 私は普段、農業の外観選別機や生育観察、収穫ロボットなどへ画像系のAIを応用する研究をしています。 そして研究柄、いろんな生産者の方や現場へ出向いてデータ収集＆ディープラーニングでYOLOなどの物体検出AIを自作しています。 今回は、こうしたロボットや農業機械に搭載されている「目」、つまり画像系AIの現状の課題と基盤モデルへの期待についてお話します。 農業での応用事例にフォーカスしていますが、それ以外の分野にも当てはまることだと思いますので是非最後までご覧ください！ 基盤モデルとは
【物体検出】アノテーションツールVoTTの使い方
こんばんはエンジニアの眠れない夜です。 アノテーションとは、あるデータに対して関連する情報（メタデータ）を注釈として付与することをいいます。 物体検出ではこのアノテーションを教師データとして利用します。アノテーションを作成できるアプリケーションはたくさんあります。 その中でも今回はVoTTというアノテーションツールの紹介です。 この記事の設定例は「【物体検出】keras-yolo3の学習方法」で利用できるものにしています。 【物体検出】keras−yolo3で独自データセットの学習方法 アノテーションツールVoTT（Visual Object Tagging Tool）とは VoTT（Visual Object Tagging Tool）というアプリケーションがおすすめです。 このアプリケーションはマイクロソフトによって開発されています。 個人的にはマクロソフトってWindowsとオフィス
アノテーション アノテーションにはLabelImgを使用。Macだとvottでアノテーションしたデータが出力できなかった。 https://github.com/tzutalin/labelImg インストール方法使い方などは、上記か、他のサイトを参照いただいて、ここでは説明を省きます。 使い方は下記のようにシンプルです。vottよりわかりやすいです。 アノテーションした結果が、To GoogleDriveのannotatedに入っているファイルになります。 GoogleDriveにデータ移動 GoogleDriveに適当なフォルダを作成します。 私の場合Colab Notebooksの中にPiman2のフォルダを作成 To GoogleDriveのデータをフォルダごと作成したフォルダに移動 GoogleColaboratoryで学習 GoogleColaboratoryで、ファイル＞ノー
GitHub - HumanSignal/awesome-data-labeling: A curated list of awesome data labeling tools
labelImg - LabelImg is a graphical image annotation tool and label object bounding boxes in images CVAT - Powerful and efficient Computer Vision Annotion Tool labelme - Image Polygonal Annotation with Python VoTT - An open source annotation and labeling tool for image and video assets imglab - A web based tool to label images for objects that can be used to train dlib or other object detectors Yol
「Object Detection API」で物体検出の自前データを学習する方法（TensorFlow 2.x版） - Qiita
「Object Detection API」に関して ディープラーニングで物体検出を行う際に、GoogleのTensorFlowの「Object Detection API」を使用して、自前データを学習する方法です。以下の記事のTensorFlow 2.x版となります。 TensorFlowの「Object Detection API」で物体検出の自前データを学習する方法 基本的な流れはTensorFlow 1.xと同じです。公式のマニュアルはかなりあっさりしていて上級者向きなので、この記事では、仮想環境と拙作のObject Detection API用のソフト「Object Detection Tools」を使って比較的安全かつ簡単に学習を実現する方法を解説していきます。 手っ取り早く物体検出のデモを動かしたいという人は、以下記事を参照ください。 TensorFlowでの物体検出が超手軽
[Amazon Rekognition] VoTTで作成したデータをCustom Labelsで利用可能なAmazon SageMaker Ground Truth形式に変換してみました | DevelopersIO
[Amazon Rekognition] VoTTで作成したデータをCustom Labelsで利用可能なAmazon SageMaker Ground Truth形式に変換してみました 1 はじめに CX事業本部の平内（SIN）です。 Amazon Recognition のCustom Labelsでオブジェクト検出のモデルを作成する場合、データセットの準備が必要です。 画像に対するアノテーションは、Custom LabelsのUIでも提供さていますが、今回は、これを、microsoft/VoTTで作成してみました。 microsoft/VoTTは、マイクロソフトによって開発されているアプリケーションで、ローカルでアノテーションの定義が可能なツールです。 Custom Labelsでは、Ground Truth の出力からデータセットが生成できますので、VoTT形式のデータをGr
![[Amazon Rekognition] VoTTで作成したデータをCustom Labelsで利用可能なAmazon SageMaker Ground Truth形式に変換してみました | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/630fbde5fe7a3a8a92ff9bc051116b19af13935d/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2019%2F05%2Famazon-rekognition.png)
[Amazon SageMaker] オブジェクト検出のモデルをNeoで最適化して、Jetson Nano+OpenCV+Webカメラで使用してみました | DevelopersIO
[Amazon SageMaker] オブジェクト検出のモデルをNeoで最適化して、Jetson Nano+OpenCV+Webカメラで使用してみました 1 はじめに CX事業本部の平内（SIN）です。 Amazon SageMager Neo（以下、Neo）を使用すると、既存のモデルを各種アーキテクチャのエッジデバイスで動作させる事ができます。 今回は、Amazon SageMager（以下、SageMaker）の組み込みアルゴリズムである「物体検出」で作成したモデルをNeoで最適化し、Jetson Nanoで利用してみました。 最初に動作している様子です。 Jetson Nanoに接続したWebカメラの画像を推論にかけ、検出結果を表示しています。推論は、約0.25秒で処理され、４FPS程度のフレームレートとなります。 2 データセット データセットのアノテーションは、Micros
![[Amazon SageMaker] オブジェクト検出のモデルをNeoで最適化して、Jetson Nano+OpenCV+Webカメラで使用してみました | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/be008d04a8db62514ca43cd7765e62041ee423f3/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2019%2F05%2Famazon-sagemaker.png)
Chapters 📘 Chapter #0 YOLOとは 📘 Chapter #1 環境設定 📘 Chapter #2 アノテーション 📘 Chapter #3 📗 Chapter #3-1 YOLOv3 Keras版実装 📗 Chapter #3-2 YOLOv3 Darknet版 📘 Chapter #A 📗 Chapter #A-1 YOLOの各バージョンについてまとめ 📗 Chapter #A-2 YOLOv3 Keras版実装に関して関連記事のまとめ 📗 Chapter #A-3 ONNX変換・確認ライブラリ、アプリケーションまとめ TL:DR ここでは、YOLOv3でオリジナルデータを学習させる際のアノテーションの手順について記載します。 一足早い初夏のML怪談😱〜深層学習を使った画像の異常検知編も踏まえて、劣化を少しでも抑えるためにアノテーション用にリサ
ナカシャクリエイテブ株式会社
最近、物体検出の独自モデル構築にどっぷりはまっています。 2018/03にYOLOv3が出てからというもの「SSDより良いらしいよ！」という噂を良く聞くようになりました。そこで、今まで作ったSSDの教師データを流用する方法を探し、YOLOによるオリジナルモデルの検証をしたいと考えました。 学習に使う教師データはAnnotationツールで作成するのが一般的です。 Annotationツールとは：対象となるデータに対して正解ラベル（タグ）や対象物の座標等関連する情報を注釈として付与するツールです。 今までSSDの学習データをlabelImgで作っていましたので、まずlabelImgの最新版を検証し、次にMicrosoftのAnnotationツールVoTTも使ってみました。（作業環境はWindows 10 Professional 64Bitです） ソフトウェア開発プラットフォーム"GitH
アンコールワットは、カンボジアのシェムリアップ州に位置する世界遺産である仏教寺院遺跡です。 建築と歴史アンコールワットは、9世紀から12世紀にかけてクメール帝国の首都アンコール（アンコールトム）に建設された寺院です。建築はヒンドゥー教の寺院建築様式であり、クメール帝国の王たちが自らの権威を示すために建設されました。最初の建築は9世紀の王ヤショヴァルマン2世によって始まりましたが、後の王たちによって拡張や改築が行われ、最終的な姿が完成しました。 建築様式と特徴アンコールワットは、広大な敷地内に複数の神殿や回廊から構成されています。最も有名な中心の神殿は、五重塔（プラサート）と呼ばれる塔の建物であり、その上には中央塔（シヴァ神の象徴）が聳えています。建物は石材で建設され、細かい浮き彫りや彫刻が施されており、壁面にはエピソードや神話の物語が描かれています。 宗教と意義アンコールワットは、当初はヒ
[Amazon SageMaker] オブジェクト検出におけるGround Truthを中心としたデータセット作成環境について | DevelopersIO
1 はじめに CX事業本部の平内（SIN）です。 Deep Learningでオブジェクト検出をする場合、データの準備作業は、非常に重要になると思います。 Amazon SageMaker（以下、SageMaker）では、Ground Truthというサービスが提供されており、作業の分担や外部への展開などが軽易に行えます。 そして、Ground Truthで作成されたデータは、Amazon RekognitionのCustom Labelsや、SageMakerのビルトインアルゴリズムであるobject-detectionで、そのまま利用可能です。 しかし、実際に学習を始める前には、データの品質や精度を一定の水準に保つ作業が、非常に大事になってきます。 最近、その事を念頭に、Ground Truthで作成されたデータ（形式）を中心に、その一部修正したり、確認したり、また、追加する作業を、色
[Amazon SageMaker] Amazon SageMaker Ground Truth で作成したデータのビューアーを作ってみました | DevelopersIO
[Amazon SageMaker] Amazon SageMaker Ground Truth で作成したデータのビューアーを作ってみました 1 はじめに CX事業本部の平内（SIN）です。 Amazon SageMaker Ground Truth (以下、Ground Truth)では、作業を完了したデータをコンソール上で確認できます。 しかし、１ページに表示できる数が固定となっているため、データが大量にあると、全体を見渡すのが少し辛いかも知れません。 今回は、物体検出（Bounding box）用に作成されたデータセットを、ローカルで一覧するビューアーを作ってみました。 2 Ground Truthの出力 最初に、Ground Truthの出力である、画像とアノテーションデータ(output.manifest)をローカルにダウン ロードします。 output.manifestは、各
AI機械学習を用いた経営問題の解決や幅広い業種へ多数のコンサルティングの経験を持つ。AIプロジェクトに関するコンサルティングだけではなく、AI人材の育成、会社全体のDX化など幅広い分野で活躍中。AIに関わる講演を多数行なっている。 さて今回は、物体検出の５つの代表的なアーキテクチャの特徴についてご紹介していきます。 物体検出とは、一言でいえば、「画像のどこに何があるか」を予測することです。 画像分類では、画像が「何か？」までの識別になっているのに対し、物体検出では「どこに？何が？」までを識別していきます。 そのため、その画像が何かにあたるクラスに加え、バウンディングボックスと呼ばれる対象物を囲む矩形のボックスを使用しながら、「どこに？」を抽出するタスクが増えるというわけです。 そこでまずは、その「どこに？何が？」を識別していく物体検出とは何かを見ていきます。 その後、代表的なアーキテクチャ
【物体検出】(GPU版)YOLO独自モデル簡単学習方法
こんばんはエンジニアの眠れない夜です。 前回はkeras−yolo3の独自モデルの学習方法を紹介しました。 【物体検出】keras−yolo3の学習方法 手順が多くてハマりそうなポイントもちょいちょいあって、手間はかかりますが物体検出の独自モデルの学習ができるようになりましたね。 今回はGoogleColabを使ってGPU環境でYOLOの独自モデルを作ってみようと思います。 keras-yolo3で手作業で設定が必要な部分をどんどん置き換えていったらアノテーションファイルを作成してアップロードするだけで独自モデルの学習ができるようになりました＼(^o^)／ もはやハマるところなし！！ ノンプログラマーでも物体検出の独自モデルが作れそうな勢いです。Python初心者でも十分できます。 それでは一緒に手順を確認していきましょう。 【YOLO v3】独自モデルを学習させるまでの流れ 教師画像をダ
[Amazon SageMaker] Amazon SageMaker Ground Truth で作成したデータをVoTT形式のデータに変換してみました | DevelopersIO
[Amazon SageMaker] Amazon SageMaker Ground Truth で作成したデータをVoTT形式のデータに変換してみました 1 はじめに CX事業本部の平内（SIN）です。 Amazon SageMaker Ground Truth (以下、Ground Truth)では、作業を完了したデータセットで、「少し（一部）だけ、修正したい」というような要求に対する仕組みは用意されていません。 今回は、物体検出（Bounding box）用に作成されたデータセットを、VoTT用に変換して、一部のアノテーションの修正・変更などが行えるようにしてみました。 ※microsoft/VoTTは、マイクロソフトによって開発されているアプリケーションで、ローカルでアノテーションの定義が可能なツールです。 2 Ground Truthの出力 最初に、Ground Truth
【Tensorflow2 Object Detection API】オリジナルデータ学習ハンズオンのColab公開
はじめに Tensorflow2 Object Detection APIのハンズオン用資料を公開しました(9月末くらいに。 すんなり行くと2時間くらいで、以下のような魚を検出モデルが作れます。 本来は社内向けに使おうと思っていたのですが、公開して反応をフィードバックしたほうが良い気がしたので、以下リポジトリで公開しています。 社内で使う前に、別会社の方から「新人研修で使用しました」って報告貰いましたが、まあ良いでしょう、、、👻 実施内容は、VoTTを用いたアノテーション作業～Colaboratory上でのモデル訓練/推論実施までです。 「検出対象を自分の好きな題材にする」「学習データを自分で集める(必要に応じて収集ツールも自作)」もやれば100倍力が付くと思いますが、、、 さすがにハンズオンが成り立たない気がするため、ハンズオン内容からは除外しました。 作業内訳 ローカルPC：VoTT
[Amazon SageMaker] デフォルトのハイパーパラメータでお菓子を検出してみました | DevelopersIO
1 はじめに CX事業本部の平内（SIN）です。 Amazon SageMaker(以下、SageMaker)では、ハイパーパラメータ調整（以下、HPO）で、多数のトレーニングを実行して最適なモデルを作成することができます。しかし、多数の学習を行うので、それなりに、時間と費用が発生することは否定できません。 最近、組み込みアルゴリズムの物体検出（object-detection）でHPOを色々試す中、SageMakerのコンソールから使用した場合のデフォルトのハイパーパラメータ値が、凄くいい感じになっている事に気が付いてしまいました。 今回は、デフォルトの値を可能な限り変更しないで、モデルを作成する一連の手順を記事とさせて頂きました。 検出の対象は、「ビスコ」と「ブラックサンダー」と「アルフォート」の3種類です。 なお、ここDevelopers.IOでは、既にオブジェクト検出について素
[Amazon SageMaker] 撮影と同時にアノテーションを追加してAmazon SageMaker Ground Truth形式のデータを作成してみました | DevelopersIO
1 はじめに CX事業本部の平内（SIN）です。 Amazon SageMaker Ground Truth (以下、Ground Truth)で物体検出（Bounding box）用に作成されたデータセットは、Amazon RekognitionのCustom Labelsや、Amazon SageMaker(以下、Sage Maker)のビルトインオブジェクト検出にそのまま利用できます。 参考：[Amazon SageMaker] Amazon SageMaker Ground Truth で作成したデータを使用してオブジェクト検出でモデルを作成してみました 今回は、このGround Truthで作成されるデータ形式に併せて、写真撮影とアノテーションを一気に行えるようにしてみました。 以前に、RekognitionのCustom Labels用に作成したものと、同等です。
連載：ベルリンに広がるリスニングバー 投稿日 2023-09-05 更新日 2024-02-27 Author 山根裕紀子 MUSIC 育てる ベルリンのリスニングバーを紹介する連載企画。第1回は「Rhinoçéros」のオーナー、ベネディクト・ベルナが日本のジャズ喫茶での思い出や欧米との違いについて語る。 ベネディクト・ベルナ フランス・ヴァランス生まれ。2003年にベルリンに移住後、クラブとバーの経営を経て、2017年11月に「Rhinoçéros」をオープン。2019年には、「Tokyo Jazz Joints」のフィリップ・アーニールと一緒に、日本のジャズバーや喫茶店の豊かな伝統を祝う写真展を同店で開催した。「Tokyo Jazz Joints」はこの失われつつある文化を記録した本を今年出版したばかりだ。 日本独自の音楽カルチャーとして、海外から注目を集める“リスニングバー”。ここ
Pascal VOC形式のxmlファイルとAWS SageMaker Ground Truthのmanifestファイルの相互変換 - Money Forward Developers Blog
こんにちは、マネーフォワードの田中です。 はじめに Amazon SageMaker Ground Truth は、AWSが提供するアノテーションプラットフォームで、ユーザはS3にデータセットをアップロードすることで、アノテーション作業を容易に行うことができます。Ground Truthは様々な問題設定に対するアノテーションツールを提供していて、物体検出もその1つです。 Ground Truthへ入力、またはGround Truthが出力するアノテーションデータのファイルフォーマットは、AWSが独自に規定するjsonファイルであり(実際には複数のjsonファイルを1つにまとめたmanifestファイル)、以下のような問題があります。 manifestファイルを、他形式のアノテーションファイルを前提とするシステムに直接入力したり、他形式のファイルを対象としたアノテーションツールで追加アノテー
アノテーションとは、AIに学習させるデータにタグ付け（意味づけ）を行う作業のことを指します。画像や動画、テキストなどのデータ内にある情報に対してタグを付けていき、AIが学習できるように意味のあるタグを付けるのです。たとえば、犬の画像を用意しただけでは、AIが画像を見て犬を識別できるようになりません。 そこで、画像内にいる犬の領域にタグ付けを行い、「犬である」と答えを示します。こうしてアノテーションしたデータを大量にAIに見せることで、AIが徐々に犬を覚えていき、別の新しい画像を見て犬を識別できるようになるのです。 アノテーションの必要性 アノテーションの実施は、実用的なAIを生み出すために欠かせません。先述した犬の画像と「犬である」との答えをセットにしたデータを、「教師データ」と呼びます。つまりアノテーションは、AIに学ばせる教師データを作る作業だといえます。 AIは教師データを大量に確認
TensorFlowで独自物体検出モデルを作成
TensorFlowで独自の物体検出 (Object detection) モデルを作ります。 出来上がるまで1ヶ月ほど掛かりました。ホントエラーの連続で大変だった。 今回はポケGOのポケストップを検出するモデルを作って行きます。 最終目標はAndroidで動かすこと！ 環境Windows 11 Home 21H2Docker 20.10.12TensorFlow 1.15.2Python 3.6.9LabelImg 1.8.1準備作業用フォルダー作成機械学習させるうえで、たくさんのファイルが必要になります。 手に負えなくなる前にファイルを振り分けていきます。 今回は「📂pokego」という作業用フォルダーを作成し、必要なフォルダーを数個作成しました。 ここまでのフォルダー構成1 2 3 4 5 6 7 8 9 10 📂pokego ┣📂Data ┃ ┗📂JPEGImages ┣
Cloud AutoML Vision Object Detectionを試してみる - みらいテックラボ
CODE for YAMATOKORIYAMAの取組みの一環として, 「Kingyo AI Navi」[1]なる金魚の種類識別を活用したアプリのプロト開発を行っている. 現在は, Cloud AutoML Visionを使って種類識別を行っているのだが, 水槽の中の泳いでいる金魚1匹に注目して, その1匹だけが写った写真を撮るのは結構難しい. そこで, 今回複数の金魚が写った写真でもいけるようにするために, Cloud AutoML Vision Object Detectionを少し試してみることにした. 1. データ準備 お試しということで, 種類分類で使用している金魚画像約950枚をアノテーションして利用することにした. アノテーションには, 今回もMS社のVoTT(Visual Object Tagging Tool)[2]を使用した. VoTTでアノテーションした結果をVOC形式
昨年2023年8月2日にKADOKAWAから「デザインのミカタ」を発売しました。今までにありそうでなかった、デザインの見方に関しての書籍です。先日初めてのnoteにて序章部分を無料公開したところ、多くの方に見ていただけてとても嬉しかったです。ありがとうございます！ 実はこの本のために、デザインサンプル(図版)を100以上作ったんです。 しかしただのサンプルだと面白くないと思い(これが地獄の始まり)… 自分がこんな商品あったらな、こんなお店があったらな、こんなサービスあったらなと考え、それを読者に役立つよう色々なターゲットや雰囲気に落とし込んでサンプルデザインを作りました。 仕事の合間に考え続け、作り続け、図版の制作だけで1年近く… 書籍の学びが優先で、図版の中身(デザインじゃなくて内容)はあくまでサブ中のサブ要素。でもよく見ると図版の中身が深いものになっていたり、面白いのもあったりして、書
株式会社プライムキャスト
はじめにこんにちは。 「翔べ、SQLインジェクション」でお馴染のAI 戦士、オウサです。 本日も、水の星からAIをこめてお送りいたします。 今回は 「どんなアナログメーターでも解析するAI」 という、ガンダムの記憶回路に取り付けたくなるような一品を研究開発します。 "アナログのメーターを解析するAI"とはつまり、「アナログメーターの値をデジタル化する人工知能」 です。 これをシステムに組み込むことで、今まで人がやっていた"メーターを読む"という作業を、人工知能が自動でやってくれるようになります。 すごいですよね。親父が熱中するわけだ。 工場や研究施設にあるようなアナログメーターは、様々な情報を数字にして「人が読める」ようにしてくれます。 この時、人はメーターの”針”が指す場所を見て「これは78」とか「これは2」とか"判断"します。 そしてそれが「正常」とか「異常」と"判断"したり、値をノー
プロローグ ※この章は読み飛ばしても構いません 多くの人が挑むも解くことが叶わなかった人類史上の難問といわれるものがいくつかある． 数学界で最も有名な難問といえばおそらく「フェルマーの最終定理」であろう．弁護士であり数学者であったフェルマーが「解答を書くにはこの余白は狭すぎる」と書き残してこの世を去って以来，天才ワイルズが現代数学の成果を結集して証明を完成させるまで300年以上も数学者たちの挑戦を退け続けた．その他にも，京都大学の望月教授が宇宙際タイヒミュラー理論を用いて証明したといわれるABC予想や，7つのうち6つが現在も未解決であるミレニアム懸賞問題などはあまりにも有名である． 一方数学以外でも，例えば宇宙の始まりを巡る議論は多くの人を惹きつけてきた難問であり，アインシュタインやホーキングら天才たちの研究によって徐々にその姿が明らかになってきた．「我々はどこから来たのか，我々は何者か，
はじめに 1年ほど前，とある理由からYOLOv5を使って物体検出をすることになったのですが，自分でアノテーションを行なってYOLO形式のデータセットを作り，学習をして物体検出し，また精度をmAPとして出すという一連の流れが綺麗にまとまった記事というのがなく（大抵はCOCOデータセットを使って物体検出をしてみた止まりの記事ばかり），また当時はパソコンをまともに触ったことがないようなレベルだったので物体検出をするのにとても苦労したのを覚えています． 当時は特に記事にするとかは考えていなかったのですが，後輩に教えることになったことがきっかけでふと同じように苦労している人がいるのではないかと思って記事にすることにしました．大した内容ではないですが，少しでも誰かの参考になれば幸いです． YOLOv5を使った物体検出 YOLOv5とは 以下の記事が物体検出アルゴリズムの全体像を知るにはいいと思います．
Azure AD Application Proxy を触ってみよう ① | SBテクノロジー (SBT)
皆さん、こんにちは。田中です。 Azure 技術者 Blog への投稿は初めてとなりますが、多くの方に読んでいただけるように頑張っていきたいと思いますので、よろしくお願いします。 少しだけ自己紹介をさせていただきます。 オンプレミスでは Lync/Skype for Business をメインに触ってきて、Office 365 では Exchange Online、Skype for Business をメインに活動してきました。ここ最近は EMS （Intune、Azure AD Premium）に関わる仕事をしています。 そのため、Office 365/EMS に関わる内容を、本ブログを通じて提供していきたいと考えております。今回は、Azure AD Premium の機能の一部である ”Azure AD Application Proxy（以下、App Proxy）” の構築をご紹介
darknetを使用してみる windowsでdarknetを使用して機械学習(物体検出)に触れてみたいと思います。 いちいち設定ファイルを作成したりするのがめんどくさかったので、なるべく簡単に使用できるようにYoloToolkitを作りました。 ※手動で設定する必要がある部分もありますが、、、 使い方を説明しながら実際に自前データで学習を行っていきます。 1.darknetのセットアップ フレームワークにdarknetを使用します。 YOLOの原論文を書いた人が作ったフレームワークです。(YOLOv4からは違う人が受け継いでます) darknetのセットアップは今回はできている前提で進めます。 できていない人は下記を参考にセットアップしてみてください。 ・Windows で Darknet を使って 機械学習する ・YOLOv4環境構築① ・YOLOv4環境構築② 2.YoloToolk
プロローグ ※この章は読み飛ばしても構いません 多くの人が挑むも解くことが叶わなかった人類史上の難問といわれるものがいくつかある． 数学界で最も有名な難問といえばおそらく「フェルマーの最終定理」であろう．弁護士であり数学者であったフェルマーが「解答を書くにはこの余白は狭すぎる」と書き残してこの世を去って以来，天才ワイルズが現代数学の成果を結集して証明を完成させるまで300年以上も数学者たちの挑戦を退け続けた．その他にも，京都大学の望月教授が宇宙際タイヒミュラー理論を用いて証明したといわれるABC予想や，7つのうち6つが現在も未解決であるミレニアム懸賞問題などはあまりにも有名である． 一方数学以外でも，例えば宇宙の始まりを巡る議論は多くの人を惹きつけてきた難問であり，アインシュタインやホーキングら天才たちの研究によって徐々にその姿が明らかになってきた．「我々はどこから来たのか，我々は何者か，
AIの基本シンギュラリティとはAIとはAIとDXAIとBIの違いAI人材とはデータドリブンAIとIoTの違いAIとITの違いAIと業務効率化AIでできること画像認識関連画像認識とは物体検出外観検査AIカメラ人流解析動画解析マルチモーダルAI音声認識ダイナミックプライシングバーチャルヒューマン在庫最適化ディープフェイクレコメンドマテリアルズ・インフォマティクスデジタルツインデータ分析需要予測感情認識品質管理AIの学習方法Few Shot Learning機械学習の種類強化学習教師あり学習ディープラーニングと機械学習AIモデル・アーキテクチャTransformer基盤モデルAIモデルとはYOLOCNNAI開発 HowToAI開発とデータデータ収集方法アノテーションとはAI開発の費用相場PoC（概念実証）AI開発の流れ・手順AI・生成AI開発ツール/プラットフォームAzure（Microsoft
YOLO V3を試すだけであれば学習済みモデルを使えばよいのですが、「やっぱり独自の物体検出をやってみたい！」ということで、独自のデータセットを学習させてみました。その内容を紹介します。 今回はグーの手を検出するだけのモデルを作成することとし、自分のグーの手を撮影し、その動画にVoTTでアノテーションを付けて学習データにしました。 私が実行した環境 Windows 10 Home NVIDIA GTX1080Ti CUDA 9.1.85.3 CuDNN 7.1.3 Python 3.6.5 Tensorflow-gpu 1.12.0 Keras 2.2.4 opencv-python 4.0.0.21 matplotlib 3.0.2 Pillow 5.4.1 VoTT 1.7.2 まずはYOLO V3を動かす 以下のPythonライブラリをインストール tensorflow、keras、
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
【人類最難関の挑戦】サイゼリヤの間違い探しを現代技術を駆使し片面だけで解く（深層学習） - Qiita
keras-yolo3 で独自データセットに対して学習させる方法 - ほぼPython
【物体検出】keras−yolo3で独自データセットの学習方法
AIアノテーションツール20選を比較！タグ付け自動化ツールの選び方
YOLOv3 Keras版実装に関して関連記事のまとめ - Qiita
自前の画像をVoTTでアノテーションしてkeras-yolo3に呪腕のハサンを学習させる - Qiita
農業の選別機や収穫ロボットの「目」に基盤モデルを応用したらどうなる？
ピーマン農家でないけど、ピーマン検知AIをJetson Nano で作ってみた -AI使う編説明- - ひつじ工房
YOLOのオリジナルデータ学習手順 #2 アノテーション - Qiita
アンコールワットとは？
物体検出の５つの代表的なアーキテクチャの特徴まとめ | AI研究所
ベルリンに広がるリスニングバー Vol.1 Rhinoçéros - TOKION
物体検出のアノテーションとは｜「物体検出の手法」や「できること」について解説
架空のサービス・商品のデザインを100種類作って出版した話｜デザイン研究所
【人類最難関の挑戦】サイゼリヤの間違い探しを現代技術を駆使し片面だけで解く（深層学習） - Qiita
【YOLOv5 Tutorial】アノテーションから物体検出の学習，推論，精度評価（mAP）まで - Qiita
自前データをYOLOv4で学習させるためのToolkit - JPDEBUG.COM
【人類最難関の挑戦】サイゼリヤの間違い探しを現代技術を駆使し片面だけで解く（深層学習） - Qiita
AI画像認識で使用するデータセットとは？教師データとの違い・機械学習を解説 - AI Market
YOLO V3に、VoTTでアノテーションを付けた独自のデータセットを学習させる - Qiita