異議検出モデルの理解

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モデルはメジャーアップデートにより刷新され、AI Modelerへと名称変更されました。これにより、モデルの作成・トレーニング・公開を行い、アプリ全体で使用できるようになりました。アップデート以前にモデルを作成している場合は、こちらをクリックして詳細をご確認ください。

AIモデルの概要、作成方法、利用方法についてはこのページをご参照ください。

オブジェクト検出モデルは、デジタル写真から特定の精度であらかじめ定義されたオブジェクトを識別できるようトレーニングできます。このモデルは、アップロードした画像を人工知能（AI）で解析します。

多様なオブジェクトの大量在庫を毎日手作業で検出する必要がある場合、非常に時間がかかり、繰り返し作業となります。オブジェクト検出モデルを利用することで、このプロセスを自動化できます。アップロードされたユーザー入力データと、モデルが認識できるあらかじめ定義されたオブジェクトを比較し、対象を識別します。本モデルを活用することで、在庫管理や会計、その他の法人業務プロセスの自動化が可能です。

オブジェクト検出モデルの前提条件

事業規模に関わらず、各法人には独自に検出したいカスタムオブジェクトがあります。例えば、建築資材を扱う場合、さまざまな種類のレンガの画像をアップロードして、モデルに識別させることができます。

Creatorでは、法人ニーズに合わせたカスタムオブジェクト検出モデルの作成・トレーニングが可能です。

できることは、ready-to-使用するモデルも活用し、あらかじめ定義されたオブジェクトリストからオブジェクトを検出できます。ready-to-使用するモデルでは、Microservices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すると、オブジェクト検出の新規項目が作成されるフォームへ遷移します。

必要なスキルは？

管理者として、オブジェクト検出モデルの作成や利用が可能です。一方、ユーザーは管理者が作成したモデルを利用することのみできます。
法人の要件を十分に理解し、モデルのトレーニングに使用する画像を特定・収集できる知識が必要です。
Creatorは低い-コードプラットフォームであるため、管理者やユーザーは事前のコーディングや機械学習のスキルがなくても、オブジェクト検出モデルの作成や利用が可能です。

必要なデータは？

オブジェクト検出モデルをトレーニングするには、各オブジェクトにつき最小10枚の画像が必要です。望ましい結果を得るには、少なくとも20枚の画像をご用意ください。
さらに50枚の画像を使用してモデルに画像属性（色、形状、サイズなど）をより正確に認識させることができ、モデルのパフォーマンス向上にもつながります。
より良い結果を得るために、さまざまな角度から最大20枚の画像をアップロードできます。
モデルのトレーニングには、各オブジェクトにつき10枚の画像をアップロードできますが、さらに多い方が望ましいです。50枚の画像があれば、モデルはより高い信頼性で画像の色・形状・サイズなどの属性を認識できます。

どの料金プランに加入する必要がありますか？

AIモデルは、Creatorの支払い済みプランのユーザーが利用可能です。詳細は価格ページをご参照ください。

どのバージョンのCreatorを使用すべきですか？

カスタムAIモデルを作成するには、Zoho Creator 6（C6）の利用が必要です。一方、ready-to-使用するAIモデルは、C6およびC5の両方で利用可能です。

サンプルデータで開始する

迅速に開始し、オブジェクト検出の可能性を探るため、サンプル画像を使ってオブジェクト検出モデルを作成・トレーニングできます。こうして作成したモデルは、Creatorアプリケーションですぐに利用可能です。

ページの一番下までスクロールしてサンプルデータをご利用ください。

例

たとえば、Creatorを使ってZylkerの在庫管理アプリを構築し、在庫の商品数を把握するために様々なオブジェクトを検出したいとします。大規模な在庫を手作業で管理するのは非常に時間がかかります。

このアプリでは、3種類の建築生データ資材、中空コンクリートブロック、AACブロック、リンテルブロックの件数を管理しているとしましょう。

このケースでObject Detectionモデルを使用する方法は以下の通りです。

モデルを作成します。

モデルに認識させたいオブジェクトの種類を特定します。ここでは、識別が必要なオブジェクトはhollow concrete blocks、AAC blocks、lintel blocksです。
識別したいオブジェクトの十分な画像をアップロードします。ここでは、3種類のブロックの画像をアップロードしてください。
各オブジェクトにつき最低10枚の画像を、できるだけ無地の背景でトレーニング用としてアップロードしてください。また、異なる角度や照明条件で撮影した画像を用意すると効果的です。

モデルをトレーニングします。
モデルをデプロイします。

フォーム内でモデルへの入力となる画像項目を選択します。
新規object detection 項目を追加します。
必須値を取得するために画像をアップロードします。この場合の入力は、3つのブロックのいずれかの画像となります。

Object Detection モデルの流れ

トレーニングデータの追加

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、検出を行うための学習へと導く初期データセットです。object detection モデルに対象物を認識させるには、それらの対象物が写った十分な画像を収集する必要があります。

モデルの出力結果は常に正確とは限りません。これは他のAIにも当てはまります。
モデルの出力結果は動的です。同じ入力でも、学習の進捗により異なる結果が出る場合があります。つまり、継続的に再学習を行うことで、モデルは絶えず学習し続けます。

メモ: より良い結果を得るために、画像の数量および品質に関するガイドラインを遵守してください。

形式とサイズ

オブジェクト検出モデルに入力する画像には、以下の要件があります。

形式：

サイズ：

オブジェクト内の画像ごとの最大容量は 5 MBです
全体のモデルサイズは 250 MBです

ガイドライン

オブジェクト検出モデルが機能するためには、最小で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。
各オブジェクトごとに少なくとも10画像をアップロードすることを推奨します。
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。
すべての必須画像を含むフォルダをアップロードした場合、そのフォルダから最初の20 画像のみをインポートします。
画像フォルダのサイズがモデルサイズ上限の250MBを超えた場合、許容されるモデルサイズ内でアップロード可能な画像のみがアップロードされます。
フォームにオブジェクト検出項目を追加するには、そのフォームにデータ元項目として画像項目が必要です。
サポートされている項目タイプがフォーム内にない場合は、オブジェクト検出モデルを導入するために、まず該当項目を作成する必要があります。

画像の追加

モデルで検出したい対象物が含まれる十分な画像を用意する必要があります。画像を収集した後、オブジェクトフォルダーを作成し、名前を指定します。その後、必要な画像を1枚ずつ、またはまとめてアップロードできます。また、.郵便番号フォルダー内の画像もアップロード可能です。この場合、.郵便番号フォルダーの名前が新しく作成したオブジェクトフォルダーの名前として適用されます。先ほど収集した画像は、オブジェクト検出モデルにアップロードする際に役立ちます。

モデルの精度向上のため、同じオブジェクトを異なる角度から撮影した画像を追加することを推奨します。
画像が定性的および定量的なガイドラインに従っていることを確認してください。

Model 概要

トレーニングデータを追加した後、model の詳細（model 名前、種類、サイズ、model ごとに追加された画像の合計数など）を確認できます。また、object 詳細（object 名前、trained 画像、object size など）も表示できます。修正が必要な場合は戻って変更できます。特に問題がなければ、そのまま model のトレーニングを続行してください。

model をトレーニング

object detection model をアプリケーションで実際に使用する前に、法人のニーズに合わせて期待通りの結果を出せるよう、トレーニングが必要です。object 画像を選択して確認したら、Train をクリックして model をトレーニングしてください。

メモ: トレーニングには時間がかかる場合があります。そのため、このページのままお待ちいただくか、ページを閉じて後で戻ることも可能です。トレーニングの所要時間は、モデルサイズやキュー内のトレーニングモデル数によって異なります。

モデル詳細の表示と管理

モデルのトレーニングが完了すると、モデルの詳細、バージョン、およびデプロイメント詳細（該当する場合）を表示できます。その後、モデルは公開およびアプリへのデプロイが可能な状態となります。

モデルは以下の方法で管理できます。

再トレーニング - これにより、物体検出モデルの信頼性と精度を向上させることができます。

「Re-train」をクリックすると、モデルが再学習されます。
各再学習が完了するたびに、新規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したい場合は、削除を行う前に他のバージョンに切り替えてください。
モデルの学習に失敗した場合、「Model training has 失敗!」と表示されます。その間、以前に動作していたモデルが予測に使用されます。

名前を変更する- 必要に応じて、モデルの名前を変更できます。
削除- データの不整合や誤ったデータが追加された場合など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 model

モデルをアプリケーションに公開・導入する前に、テストを行うことを推奨します（必須ではありません）。

モデルのトレーニングが完了したら、アプリケーションに公開およびデプロイする前に、その動作を確認し、トレーニングが満足のいくものであるかテストできます。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度スコアが表示されます。

モデルのパフォーマンス向上方法については、こちらをご覧ください。

信頼度スコアが高い（85 - 97）場合、モデルを公開することができます。
信頼度スコアが良好（70 - 84）または普通（51 - 69）の場合は、追加の画像でモデルを再学習させることができます。
信頼度スコアが低い（< 50）場合は、データに不整合がないか確認し、修正した上で再度モデルを学習させてください。

信頼度スコア

オブジェクト検出モデルは、テストデータセットの検出結果に基づいて、学習済みモデルの信頼度スコアを算出します。例えば、テストデータとしてアップロードした画像が学習画像と類似している場合、信頼度スコアは96のように高くなります。スコアが低い場合は、こちらを参照してモデルのパフォーマンス向上を図ってください。

オブジェクト検出モデルは、今後の画像をまだ認識していないため、この信頼度スコアはそれらの画像に対するモデルの性能を表すものではありません。

モデルのパフォーマンス向上

Data 数量- オブジェクト検出モデルのトレーニングと精度向上のためには、少なくとも10枚の画像をアップロードすることを推奨します。画像が少ない場合、モデルが誤検出したり、信頼度スコアが低くなる可能性が高まります。また、同じオブジェクトであっても様々な種類の画像を含めることで、モデルの偏りを抑え、より汎用的に学習させることができます。
Data 品質- トレーニングデータとしては、シンプルで明るい背景のクリアな画像を追加することを推奨します。背景に他の物体がある場合、モデルがそれらも認識してしまう可能性があります。
Data size and angles- オブジェクトの特徴を捉えた、さまざまなサイズや構図の画像をアップロードしてください。例えば、リンゴのグループ写真や1つのリンゴのクローズアップ写真など、スケールにバリエーションを持たせることで、モデルが汎用的に物体を識別しやすくなります。また、異なる角度から撮影した画像も用意することを推奨します。

モデルの公開と使用

オブジェクト検出モデルのトレーニングが完了した後、モデルを公開してユーザーが利用できるようにすることができます。モデルがアプリケーションにデプロイされると、新しいオブジェクト検出項目が作成され、すぐにオブジェクトの検出を開始できます。公開方法はこちら

モデルの公開は一度だけ可能です。ユーザーにモデルを使用させたくない場合は、モデルを削除できます。

object detectionモデルを環境-有効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少なくとも1つのバージョンが本番環境で公開済みである必要があります。アプリケーションにモデルをデプロイした後は、異なる環境ステージでフィルターし、どのステージにモデルがデプロイされているかを確認できます。詳細はこちら