手順 1

データの読み込みと前処理

データをインポートして、ディープラーニングの準備ができていることを確認します。

 

学習内容: データの読み込みと前処理

  • 画像データストアを使用してデータを読み込みます
  • 関数 imageDatastore によって、フォルダー名に基づき画像に自動でラベル付けします
  • 異なる縮尺の画像や回転した画像を追加することで、データセットを水増しすることができます
  • 画像ベースのアプリケーションは、画像のトリミング、ラベル付け、登録などの一般的な前処理タスクを大幅に高速化します

手順 2

モデルのインポート

ディープラーニング モデルのさまざまな選択肢を学びます。 

 

学習内容: ディープラーニング モデルのインポートおよび転移学習で使用するためのモデルの変更

  • 転移学習の開始点として、さまざまな事前学習済みモデルを使用します
  • ディープ ネットワーク デザイナー アプリを使用して、新しいタスク用のモデルを対話的に変更します
  • TensorFlow™-Keras、TensorFlow 2、Caffe、および ONNX™ (Open Neural Network Exchange) モデル形式から、モデルやアーキテクチャをインポートします

手順 3

モデルの学習

データと修正済みネットワークを使用して、新しい画像分類器の学習を行います。

 

学習内容: 学習用モデルの変更

  • 学習の結果が異なるさまざまな学習オプションから選択します
  • ハードウェアやデータセットのサイズによっては、モデルの学習に時間がかかる場合があります
  • モデルをゼロから作成する方法を学ばなくてもディープラーニングを実行できます

手順 4

モデルのテストおよび結果の可視化

モデルを読み込み、テストデータを使用してモデルの精度を確認します。

 

学習内容: 新しいデータでのモデルのテスト

  • テストデータ (手順 1 で分けておいたデータ) を分類し、分類精度を算出します
  • 対応するラベルが付いたテストデータを可視化し、新しいデータでのモデルの精度を確保します
  • GradCAM などの説明可能な AI 技術を使用して、モデルが欠陥を検出した画像の場所を可視化します。