高精度なモデルを得るため

現在ご覧いただいているのは未リリースのバージョンです（V2.6.0）。異なるバージョンを参照する場合は、画面右上のボタンから切り替えが可能です。

■ ご利用中のバージョンが分からない場合はお気軽にサポート窓口までご連絡ください。

本節では、最もモデルの品質に影響を与えるいくつかの要因および高品質なモデルをトレーニングする方法について紹介していきます。

画像の品質を確保する

  1. 画像の 露出過度、露出不足、色ずれ、ぼやけ、遮蔽 を回避します。これらが発生したら、ディープラーニングモデルが依存する画像の特徴が失われ、モデル学習の効果に影響を与える可能性があります。

    improve model accuracy overexposed
    improve model accuracy darker lighting
    improve model accuracy color distortion
    improve model accuracy obscure
    improve model accuracy occluded

  2. 取得したデータの 背景、視野、高さ が現場のシーンと一致することを確認します。一致しなければモデルの精度が出なくなり、データを再取得しなければならなくなることもあるので、必ず確認してください。

    improve model accuracy background inconsistent
    improve model accuracy field mismatch
    improve model accuracy height mismatch
画像分類の結果は照明に大きく影響されるので、照明が安定した環境でデータを取得してください。現場での朝晩の照明が変わればそれぞれ取得してください。

データセットの品質を確保する

「画像分類」モジュールは、既存の画像から特徴を学習し、実際のシーンに応用可能なモデルを導き出します。高品質なモデルをトレーニングするために、取得、選択したデータセットは実際のシーンと一致することが重要です。

データセットを取得する

様々な配置状況を考慮して取得します。例えば、生産プロセスでは、横置きと縦置きのワークがあり、単に横置きのワークのデータを用いてトレーニングすると、縦置きのワークに対する分類の効果を確保することはできません。 そのため、データ取得する際に、全ての実際のシーンを考慮したデータを取得する必要があります。具体的に以下のデータが必要です。

  • 実際の応用に分類する対象物が持っている 角度 の特徴。

  • 実際の応用に分類必要な対象物が持っている 位置 の特徴。

    1. 異なる角度

      improve model accuracy collection method 1
      improve model accuracy collection method 2
      improve model accuracy collection method 3

    2. 異なる位置

      improve model accuracy collection method 4
      improve model accuracy collection method 5

データの取得例

  1. 弁管プロジェクトでは、弁管の裏表を判別します。弁管の位置変動の幅が小さくて、表と裏の画像をそれぞれ15枚取得します。

    improve model accuracy project case

  2. エンジンバルブの組み立てプロジェクトでは、対象物が一種だけあります。ワークがスロット内に正しく配置されているかどうかを判断します。 スロット外に配置されたエンジンバルブはさまざまな姿勢が考えられるため、さまざまな位置や角度のエンジンバルブの画像を 20 枚程度取得します。スロット内に放置された場合は、位置だけが異なるので 10 枚程度の画像を取得すれば十分です。

    improve model accuracy project case 2

  3. 金属板のプロジェクトでは、2 種類の対象物があり、ワークのサイズにっよて分別します。異なる位置や異なる角度を考えて裏と表の画像をそれぞれ 20 枚取得します。

    improve model accuracy project case 3A
    improve model accuracy project case 3B

適切なデータセットを選択する

  1. 画像枚数を控える

    「画像分類」モジュールの初回モデリングには、30 枚の画像を使用することを推奨します。データの量が多いほど効果が良くなるわけでなく、余計なデータを使用したら後続のモデル改善を妨げ、トレーニング時間も長くなります。

  2. データの多様性を確保する

    データセット画像は、検出する対象物の照明環境、色、サイズなどの情報を含んでいる必要があります。

    • 照明環境：現場では照明が変化するので、データセットに異なる照明下で取得した画像が含まれている必要があります。

    • 色：ワークの色が異なるので、データセットに異なる色の画像が含まれている必要があります。

    • サイズ：ワークのサイズが異なるので、データセットにサイズが異なるワークの画像が含まれている必要があります。

      現場のあらゆる状況がトレーニングセットに含まれるように、データ拡張トレーニングのパラメータを調整することでデータセットを補完し、現場でのすべての状況をデータセットに入れます。

  3. 各種類のデータを均等な割合で使用する

    トレーニングセットに含まれる異なるカテゴリーの画像を均等な割合で使用する必要があります。あるカテゴリーの対象物の画像を20 枚、別のカテゴリーの画像を 3 枚使用したりしてはいけません。

  4. トレーニングセットが使用シーンと一致する

    照明環境、ワークの特徴、検査時の背景、視野の広さなど、現場のシーンと一致する背景の画像を使用します。

ラベル付けの品質を確保する

一貫性 を確保すること、つまり画像とカテゴリーのラベルは互いに対応することを確認します。

improve model accuracy label

CAM を表示

画像分類のモデルトレーニングが完了した後、CAMを生成 をクリックすればCAMを生成できます。CAMを表示 をクリックすれば表示できます。 CAM によって、モデルトレーニング中に現在処理している画像の特徴エリアを確認できるので分類とモデルの最適化に役立ちます。

improve model accuracy class activatation maps

Mech-Mindは、お客様のプライバシーを重視しています

このサイトでは最高の体験を提供するために Cookie を使用しています。サイトの閲覧を続ける場合、Cookie の使用に同意したことになります。「拒否する」を選択すると、このサイトを訪れた際に追跡や記憶が行われないように単独の Cookie が使用されます。

  • Preference
  • 同意する
  • 拒否する