Introduction 50 Exp

Mission 1

事前に鋳造製品の画像データを収集しそれぞれの画像に対して正常品であるのか、欠陥品であるのかをアノーテーション（ラベル付）を行いました。ただし、データを収集すれば、分類モデル作成の準備は終わりではありません。画像処理ライブラリPillowを用いながら、画像の読み込みや画像の確認をしていきましょう。また確認をしていく中で、欠陥品とされるデータにはどのような傾向があるのかも掴んでいきましょう。データ分析の世界では誤認識や不備の検知漏れといったリスクを伴うため、データの確認は非常に重要な作業の1つです。本ミッションでは、ライブラリを使った画像データの読み込み方、画像データに対しての図形描画、画像データの特徴量抽出を学びます。

Mission 2

画像分類モデルを作成する前に収集したデータがどのくらいの量あるのかの事前確認を行います。
また現状では、画像データがそのままとなっており画像分類モデルがデータを認識できる状況ではありません。
モデルがデータを認識するためには、データ1つ1つに対して対応するラベルを紐つけ、データ正規化などの前処理を行う必要があります。
本ミッションでは画像認識モデル作成準備として、収集したデータの全量の把握、画像分類モデル用のデータセットの作成方法を学びます。

Mission 3

いよいよモデル作成に移ります。
一言で画像分類モデルと言っても、昔から使われているモデルや最新の論文で発表されたモデルなど様々あります。
また各々のモデルにメリットやデメリットが多くあります。
今回の鋳造製品の画像データに適したモデルとは一体なんなのでしょうか。
本ミッションでは欠陥検出モデルの作成として、作成すべきモデルの選定を様々な観点から考え、今回のタスクに適しているであろう画像分類モデル「ResNet18」の理解からモデルの学習、推論までを学びます。

Mission 4

深層学習にはある領域（ドメイン）で学習したモデルを、別の領域（ドメイン）に適合させる技術があります。
この技術を転移学習と言い、様々な画像認識タスクで用いられています。
転移学習は少ないデータセットでも画像分類モデルを作成出来ることや、精度が事前学習無のモデルに比べて格段に上がる可能性があるなどの利点があります。
本ミッションでは、鋳造製品の欠陥検出モデル（ResNet18）をImageNetという100 万枚を超える画像データを使って事前学習させたモデルを元に転移学習させる方法を学びます。
また、さらなる精度向上のためデータの水増しについて、画像データ拡張ライブラリalbumentationsを使いながら学びます

Conclusion 50 Exp

Competition

【練習問題】鋳造製品の欠陥検出

これまで学習したことを元に、SIGNATEの練習問題に挑戦してみましょう。