インスタンスセグメンテーションモジュールの使用例

現在ご覧いただいているのは最新版の内容です(V2.6.2)。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や、サポートが必要な場合はお気軽にサポート窓口までご連絡ください。

動画で学ぼう:インスタンスセグメンテーションモジュールの使用例

本節では、ダウンロード先異形金属板金データ()を提供し、インスタンスセグメンテーションモジュールの使用方法を説明します。データ収集、データ処理、ラベル付け、モデルのトレーニング、モデルの検証、モデルのエクスポートと、6つの手順で実行します。

また、お手元のデータも使用できます。ラベル付けの段階に多少異なりますが、全体の操作はほぼ同じです。

データ収集

データ収集ルールに従って必要な画像を取得してください。現場のニーズに応じて 2D 露出とホワイトバランスを設定して画像品質を改善します。また、モデルの汎用性を確保するために手動でワークの位置と姿勢を変更したりする必要もあります。その後、取得した画像から品質が高くて現場の照明などの条件の変化を反映する画像を選択します。

advanced instance segmentation brightness
advanced instance segmentation position

データ処理

  1. Mech-DLK を起動し、ホーム画面のプロジェクトを新規作成をクリックし、パスを指定して名前を入力し、最後に OK をクリックします。右上の + をクリックし、インスタンスセグメンテーションモジュールを選択します。

    example projects instance segmentation
  2. ワーク画像データをインポート:左上のインポート/エクスポートをクリックし、フォルダをインポートを選択して、ダウンロードした画像データをインポートすることができます。

    example projects import images

    重複画像がある場合、表示された画像をインポートウインドウではスキップやインポートを指定し、タグを追加することができます。1枚の画像につき設定可能なタグは1つのみであるため、すでにタグ付きのものに新規タグを追加すると、古いタグは上書きされます。データセットをインポートする場合、重複画像を置き換えるかを選択できます。

  3. ROI 設定example projects icon roi をクリックして、部品箱を ROI として選択してから右下のtools introduction OKをクリックして適用します。これは、不要な背景の情報による干渉を減少するためです。

    advanced instance segmentation roi
  4. クラスを作成:右側にある +新規作成をクリックし、対象物の名前や特徴によってクラスを作成します。この事例では一種のワークだけを扱い、表裏の判別も不要なのでクラスを 1つだけ作成すればいいです。複数種類のワークを処理する場合にワークそれぞれの特徴によってクラスを作成して命名します。

    advanced instance segmentation create label
    クラスを右クリックして右へマージを選択してデータを別のクラスに変更することができます。モデルをトレーニングしてからクラスをマージした場合に、モデルを再度トレーニングしてください。
    example projects create labels

データのラベル付け

データラベル付けルールに従ってください。

  1. ラベル付けのルールを明確に:ここでは、最上段のワークだけをラベル付けします。把持点とエッジはほとんど見られ、把持点が箱の壁に密着することもありません。

    Ctrl を押したままホイールを奥に回せば画像を拡大できます。
  2. ラベル付け:左ボタンを押したまままたはツールバーのexample projects icon toolをクリックして使用するツールを選択します。

    この事例では、ワークの形状が複雑なのでポリゴンを選択します。複数のアンカーポイントを定義することでポリゴンラベルを作成します。画像の枚数が多いですがいちいちラベル付けする必要はありません。10 枚程度の画像をラベル付けしてトレーニングしてみます。また、ワークの位置など、特徴の差が明らかな画像をラベル付けします。

    advanced instance segmentation label
    より詳細なラベル付けツールの説明は、ラベル付けツールをお読みください。
  3. トレーニングセットと検証セットの振り分け:ラベル付き画像をトレーニングセットに移動して振り分けます。普通、80%をトレーニングセットに、残りの 20%を検証セットに移動します。トレーニングセットに移動された画像を自動的に振り分け、ユーザーは割合を指定すればいいです。

    advanced instance segmentation add set

モデルのトレーニング

  1. データ拡張パラメータ設定:現場のあらゆる条件を再現するデータが必要です。この事例では、現場の照明の変化を反映する画像を使用します。

    advanced instance segmentation parameters1
    • ここで使用する画像は、現場の照明が明るい時に取得したものなので、暗い時の画像を再現するために輝度を調整します。

    • ワークと背景とは色が近いのでより精確に認識できるようにコントラストも調整します。

    • あらゆる姿勢のワークを認識するために並進回転左右反転上下反転を調整します。

    • また、この事例に使用する画像にはサイズがほぼ同じワークがあるのでスケーリングも調整します。

  2. トレーニングパラメータ設定

    advanced instance segmentation parameters2
    • 入力画像のサイズはトレーニング時にモデルに入力する画像のサイズ(ピクセル単位)。値が高いほどモデルの精度は向上しますがトレーニング時間は長くなります。ラベルとワークの特徴が見える限りに画像のサイズを低くすることを推奨します。ここでは初期値のままでいいです。

    • エポック合計数はモデルのトレーニングエポック数です。この事例のワークの形状が複雑なのでこのパラメータ値を高くします。

    • その他のパラメータは初期値のままでいいです。

    • この事例では、モデルの微調整は適用しません。

    • 確認 をクリックして設定内容を保存します。

      詳細なパラメータ説明は、パラメータの説明をお読みください。

      • 入力画像のサイズが小さいほどトレーニングと推論のスピードがアップします。

      • サイズが大きいが画像のほうは、精度のより高いモデルが取得できますがトレーニングと推論の速度は下がります。

  3. トレーニング実行トレーニングパネルのトレーニングをクリックしてトレーニングを開始します。

    advanced instance segmentation train
  4. トレーニング状況確認トレーニングパネルからモデルのトレーニング状況をリアルタイムで確認できます。

    advanced instance segmentation training info
  5. トレーニングチャートから状況確認トレーニングパネルのチャートを表示ボタンとトレーニングセンターボタンをクリックしてトレーニングチャートを表示して、曲線の変化から精度の推移を把握します。トレーニングの完了まで待ち、最高正確度を確認し、テストデータ検証結果エリアを観測して初歩的にモデルの効果を評価することもできます。正確度曲線が全体的に上昇傾向、損失曲線が全体的に低下傾向になると、トレーニングが正常に進行していることになります。

    advanced instance segmentation training chart

モデルの検証

  1. モデル検証:トレニンーグ終了後、検証パネルに切り替えて検証ボタンをクリックし、モデルの検証を行います。

    example projects verify chart
  2. トレーニングセットのモデル検証結果を確認:検証終了後、検証パネルの検証統計から検証の結果を確認できます。

    • 詳細レポートをクリックして詳細レポートウィンドウを開いて詳細な結果データを確認します。

    • レポートのラベル付け結果マッチングには、モデル推論(検証)の結果と手動ラベルとのマッチング関係を示します。

    • 表の縦は手動で付けたラベル、横は推論の結果を示します。青いセルは、両方が一致している結果で、その他は最適化が必要な結果です。

    • セルのデータをクリックすればソフトウェアのメイン画面の画像リストに対応する画像だけが表示されます。

    example projects detail report
    • トレーニングセットと検証セットを検査します。さらに、テストセットは検証におけるモデル汎用性を評価しますので真剣に検査してください。

      • 検出漏れに対しては、ラベルを追加して改善できます。ただし、その画像の検出できたエリアと検出できなかったエリアと、全部ラベル付けしてからその画像をトレーニングセットに移動してください。

      • 誤検出に対しては、後処理方法で改善します。モデルを適用する時に信頼度を設定することでデータをフィルタリングします。

    • トレーニング・検証後に誤検出も検出漏れもない場合に適用可能で汎用性が高いモデルができたことになります。

      テストセット内の検出漏れと誤検出がある画像を全て手動的にラベル付けしてトレーニングセットに変更する必要はありません。一部の画像を追加でラベル付けして、トレーニングセットに追加しモデルを再トレーニング・検証します。残りの画像を検証のために使用されます。 詳細レポートウィンドウの右下にあるレポートをエクスポートボタンをクリックし、サムネイルレポートまたは完全画像レポートをエクスポートすることが選択できます。
      example projects export report
  3. 再トレーニング:新たにラベル付けした画像をトレーニングセットに追加してから、トレーニングボタンをクリックして、再トレーニングを開始します。

  4. モデル検証結果の再チェック:再トレニンーグ終了後、再び検証ボタンをクリックしてモデルの検証を行い、各データセットにおけるモデルの検証結果を確認します。

  5. モデルの微調整(オプション):開発者モードをオンにしてトレーニングパラメータ設定でモデルを微調整することが可能です。

  6. モデルの最適化:モデルが使用要件を満たすまで上記の手順を繰り返します。

モデルのエクスポート

モデルをエクスポートをクイックします。表示されたウィンドウで保存場所を指定し、モデルをエクスポートをクリックします。

example projects model files

エクスポートされたモデルは Mech-Vision とMech-DLK SDK、Mech-MSR に使用できます。クリックして詳細な説明を確認します。

この情報は役に立ちましたか?

ご意見・ご要望がございましたら、以下よりお寄せください:

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。