理解物体検出モデル

お知らせ：当社は、お客様により充実したサポート情報を迅速に提供するため、本ページのコンテンツは機械翻訳を用いて日本語に翻訳しています。正確かつ最新のサポート情報をご覧いただくには、本内容の英語版を参照してください。

AIモデルは大幅な改良を行い、今はAI Modeler として、モデルを構築、訓練し、アプリケーション全体で使用できるモデルを公開することができます。この改良前にモデルを作成した場合は、こちらをクリックして詳細をご覧ください。

詳細については、こちらのページを参照して、AIモデル、その作成、およびその後の消費について学習してください。

物体検出モデル は、ある精度レベルでデジタル写真から定義済みの物体を識別するように訓練することができます。このモデルは、アップロードされた画像を分析するために人工知能（AI）を使用します。

日々、多様なオブジェクトの巨大な在庫を管理する必要がある場合、それは時間がかかり、繰り返し行う必要があります。これが、オブジェクト検出モデルが自動化プロセスを行うのに役立つ場合です。このモデルは、アップロードされたユーザー入力データを、モデルが認識できる定義済みオブジェクトと比較することによって、オブジェクトを識別します。このモデルを使用すると、在庫管理、会計などのビジネスプロセスを自動化できます。

オブジェクト検出モデルの前提条件

あらゆる規模の事業には、独自のオブジェクトを検出する必要があります。例えば、建設材料を扱っている場合は、さまざまなレンガの画像をアップロードして、モデルをトレーニングして、それぞれを識別できます。

Creatorを使用すると、ビジネスニーズに合わせてカスタムオブジェクト検出モデルを構築および訓練することができます。

当社の準備完了のモデルを使用して、事前定義されたオブジェクトのリストからオブジェクトを検出することもできます。準備完了のモデルでは、 マイクロサービス セクションからアプリケーション名とフォーム名を選択し、新しいオブジェクト検出フィールドが作成されたフォームに移動できます。

あなたが必要とするスキルは何ですか？

管理者として、オブジェクト検出モデルを作成・使用することができますが、ユーザーは作成したモデルを利用することになります。
モデルのトレーニングに使用する画像を決定し、収集するために、すべてのビジネス要件について十分な知識を持つ必要があります。
Creatorは、オブジェクト検出モデルを作成・利用するために、事前のコーディングや機械学習スキルを必要としません。

何のデータが必要ですか？

オブジェクトの検出モデルを訓練するには、少なくとも10枚の画像が必要です。望ましい結果を得るためには、少なくとも20枚の画像を使用することをお勧めします。
モデルが画像の属性（色、形、サイズ）をよりよく識別できるように、50枚の画像を使用することもできます。また、モデルの性能を向上させることもできます。
望ましい結果を得るためには、角度を変えた最大20枚の画像をアップロードできます。
モデルの訓練には、各オブジェクトに対して 10枚の画像をアップロードすることができますが、もっと多くの画像を使用することをお勧めします。モデルはより自信を持ち、 50枚の画像で色、形、サイズなどの画像プロパティを認識できるようになります。

どの価格プランに入る必要がありますか？

AI モデルは、プロフェッショナルおよびアルティメットプランのユーザーに利用可能です。詳細は、料金ページをご覧ください。

どのバージョンのCreatorを使用すべきですか？

Zoho Creator 6（C6）を使用してカスタムAIモデルを作成する必要がありますが、準備ができたAIモデルは、C6とC5の両方で利用できます。

サンプルデータで開始します

すぐに開始し、物体検出の可能性を探求するために、サンプル画像を使用して物体検出モデルを構築して訓練することができます。このモデルはCreatorアプリケーションですぐに使用できます。

このページの最後までスクロールして、サンプルデータを活用してください。

例

Zylkerの在庫管理アプリをCreatorを使用して構築し、さまざまなオブジェクトを検出して在庫品数を数えることをご希望であるとします。大規模な在庫の管理を手動で行うのは非常に時間がかかります。

このアプリは、3つの建設用原料をカウントします： 中空コンクリートブロック、AACブロック、リンテルブロックです。

この場合にオブジェクト検出モデルを使用する方法を以下に示します。

モデルを作成する：

モデルで識別したい異なるタイプのオブジェクトを特定します。ここで識別する必要があるオブジェクトには、空洞コンクリートブロック, AACブロック, および リンテルブロックがあります。
識別する必要があるオブジェクトの画像を十分にアップロードします。ここでは、3種類のレンガの画像をアップロードする必要があります。
各オブジェクトにつき、最低でも10枚の画像をアップロードしてください。基本的には、プレーンな背景でトレーニングすることをお勧めします。オブジェクトを異なる角度と光でカバーするようにしてください。

モデルを訓練します。
モデルをデプロイします：

フォーム内の画像フィールドを選択して、モデルの入力を入力します。
新しいオブジェクト検出フィールドを追加します。
ライブで画像をアップロードして、必要な値を取得します。この場合の入力は、3つのレンガのうちの1つの画像です。

オブジェクト検出モデルの流れ

訓練データの追加

トレーニングデータは、モデルがデータパターンを分析し、解釈を行い、学習を行い、検出を行うのに利用される最初のデータセットです。物体検出モデルを物体を認識するようにトレーニングするには、それらの物体を含む十分な画像を収集する必要があります。

AIにおいても、モデルの結果が常に正確とは限りません。
モデルの結果は動的です。同じ入力によって、機械が学習した程度に応じて、異なる結果を時々生じることを意味します。これは、モデルを継続的に再学習することで、継続的に学習することを意味します。

注：画像の数と品質については、結果を改善するためにガイドラインに従うことをお勧めします。

フォーマットとサイズ

オブジェクト検出モデルに供給する画像には次のものが必要です：

形式:

JPG
PNG
T
サイズ:

最大 5 MB であるオブジェクト内の画像
全体のモデルサイズは 250 MBです

ガイドライン

モデルを機能させるためには、最低でも 2つのオブジェクトをトレーニングデータとして追加する必要があります。
お勧めしますが、オブジェクトを追加する場合は、少なくとも 10個の画像をアップロードすることをおすすめします。
モデル全体のサイズが、250 MBを超えないようにしてください。
フォルダをアップロードして必要な画像を全て含んでいる場合、そのフォルダから最初の20枚の画像のみがインポートされます。
もし画像フォルダのサイズが250MBのモデルサイズの制限を超えている場合、サイズが許可されたモデルサイズ内にある場合、わずかな画像のみがアップロードされます。
フォームに物体検出フィールドを追加するには、ソースフィールドとして画像フィールドを持つ必要があります。
フォームでサポートされているフィールドタイプが利用できない場合、オブジェクト検出モデルを展開するために最初にそれらを作成する必要があります。

画像の追加

あなたは、モデルが検出したいオブジェクトを含む十分な画像を収集する必要があります。画像を収集したら、オブジェクトフォルダを作成してそのフォルダに名前を付けます。あなたは必要な画像を1つずつまたは一度にアップロードすることができます。また、.zipフォルダに保存されている画像もアップロードすることができます。この場合、.zipフォルダの名前が新しく作成されたオブジェクトフォルダの名前として適用されます。以前に収集した画像が役立ちますので、オブジェクト検出モデルにアップロードする必要があります。

モデルの精度を向上させるため、同じオブジェクトの異なる角度の画像を追加することをお勧めします。
画像が質的および量的なガイドラインを満たしていることを確認してください。

モデルの概要

訓練データを追加した後、モデルの詳細を確認できます。例えば、モデル名、タイプ、サイズ、モデルごとに追加された画像の総数などがあります。また、オブジェクト名、訓練済みの画像、オブジェクトのサイズなどのオブジェクトの詳細も確認できます。変更が必要な場合は、戻って変更を行うことができます。そうでない場合は、モデルの訓練を続行することができます。

モデルの訓練

オブジェクト検出モデルをアプリケーションで実際に使用する前に、ビジネスニーズに沿った期待されるアウトカムを生成して実行するようにトレーニングする必要があります。オブジェクト画像を選択し、レビューした後、モデルをトレーニングするには「トレーニング」をクリックしてください。

注：トレーニングには時間がかかる場合がありますので、同じページに留まって待つか、ページを閉じて後で戻ってきてください。トレーニング時間は、モデルのサイズとキュー内のトレーニングモデルの数によって異なります。

モデルの詳細を表示して管理する

学習モデルが完了したら、モデルの詳細、モデルのバージョン、そしてデプロイメントの詳細（あれば）を確認することができます。そしてモデルは公開してアプリに展開する準備が整いました。

モデルを以下の方法で管理することができます：

再学習 - これは、オブジェクト検出モデルの確度と正確性を改善するのに役立ちます。

「再訓練」をクリックすると、モデルが再訓練されます。
各回の再訓練が終了すると、新しいバージョンのモデルが作成されます。必要に応じて、異なるバージョンを切り替えることができます。
現在使用中のバージョンを削除する場合は、削除を進める前に他のバージョンに切り替える必要があります。
モデルの訓練が失敗した場合、「モデルの訓練が失敗しました！」と表示されます。一方、以前に動作していたモデルが予測に使用されます。

名前の変更 - 必要に応じてモデルの名前を変更できます。
削除 - 不一致または間違って追加されたデータのためにモデルを削除したい場合は、削除オプションを使用できます。

テストモデル

模型を公開し、アプリケーションに展開する前に、模型をテストすることを推奨します（必須ではありません）。

モデルを訓練した後、モデルがどのように機能し、訓練が満足に行われているかを確認するためにモデルをテストすることができます。適切なテストデータ（オブジェクト画像）をアップロードし、モデルをテストすると、予測結果とともに信頼性スコアが得られます。

クリックしてこちらをご覧ください。モデルの性能を改善する方法を学ぶことができます。

信頼性スコアが高い場合（85 - 97）の場合、モデルを公開することが可能です。
信頼性スコアが良い場合（70 - 84）または普通の場合（51 - 69）の場合は、追加の画像を使ってモデルを再トレーニングすることができます。
信頼性スコアが低い場合（＜50）は、データの不整合を確認し、それらを洗練してモデルを再度トレーニングすることができます。

信頼スコア

物体検出モデルは、テストデータセットの検出結果に基づいて、トレーニングモデルの信頼スコアを計算します。例えば、トレーニング画像に類似した画像をテストデータとしてアップロードした場合、96のより高い信頼スコアを得ることができます。より低い信頼スコアを得た場合は、モデルの性能を改善するためにこちらを参照してください。

この物体検出モデルはまだ未来の画像を見たことがないため、この信頼スコアはそれらの画像でどれだけうまく機能するかを表していません。

モデルの性能向上

データ量 - オブジェクト検出モデルをトレーニングするには（少なくとも10）の画像をアップロードすることをお勧めします。画像が少ないと、モデルが間違って検出したり、信頼スコアが低くなる可能性が高いです。また、同じオブジェクトの異なるタイプの画像を含めると、モデルは偏っておらず、より良い一般化が可能になります。
データ品質 - 明瞭な画像と、簡単な明るい背景を追加することをお勧めします。背景があると、モデルが他のオブジェクトを検出する可能性があります。
データサイズと角度 - 同じオブジェクトの異なるサイズの画像をアップロードします。例えば、リンゴのグループの写真と1つのリンゴのクローズアップの写真などです。このようなスケーリングの違いは、モデルがオブジェクトをより良い信頼性で特定する能力を改善します。また、異なる角度から撮影されたオブジェクトの画像を提供することもお勧めします。

モデルの公開と使用

オブジェクト検出モデルを訓練した後、それを利用可能にするために公開することができます。モデルがアプリケーションに展開されると、新しいオブジェクト検出フィールドが作成され、オブジェクトの検出を開始できます。方法を学ぶ

モデルを一度だけ公開することができます。ユーザーがモデルを使用したくない場合は、モデルを削除することができます。

オブジェクト検出モデルを環境対応のCreatorアプリケーションで使用するには、そのアプリケーションの最低1つのバージョンをプロダクション環境に公開する必要があります。モデルをアプリケーションにデプロイした後、異なる環境のステージ間をフィルタリングすることができます、モデルがどのステージにデプロイされているかを確認できます。方法を学ぶ