異議検出モデルの理解
Creator アプリケーション内で AI モデルが実行されるたびに、AI コールが消費されます。物体検出項目の場合:
- ソース項目に入力画像が設定されると、物体検出項目に出力値を生成するための AI コールがトリガーされます。この AI コールは、利用中のAI コール上限数およびCreator プランから差し引かれます。
- 出力生成の前後を問わず、ソース項目が変更されると、更新後の入力を使用してモデルが再度実行されます。これにより追加の AI コールがトリガーされ、このコールもAI コール上限数にカウントされます。
物体検出モデルは、デジタル写真からあらかじめ定義したオブジェクトを、一定の精度で識別するようにトレーニングできます。このモデルは、 アップロードされた画像を解析するために人工知能（AI）を使用します。
日々、多種多様なオブジェクトを大量に扱っており、それらを手作業で検出する必要がある場合、作業は時間がかかり、繰り返しになりがちです。そこで役立つのが物体検出モデルです。このモデルは、ユーザーがアップロードしたデータを、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と比較することでオブジェクトを識別します。このモデルを使用すると、在庫管理や会計処理などの業務プロセスを自動化できます。
物体検出モデルの前提条件
企業の規模にかかわらず、検出したい独自のオブジェクトがあります。たとえば、建築資材を扱っている場合は、さまざまな種類のレンガの画像をアップロードし、それぞれを識別するようにモデルをトレーニングできます。
Creator では、ビジネスニーズに合わせてカスタムの物体検出モデルを作成・トレーニングできます。
また、すぐに使えるモデルを利用して、あらかじめ定義されたオブジェクト一覧からオブジェクトを検出することもできます。すぐに使えるモデルでは、Microservicesセクションでアプリケーション名とフォーム名を選択すると、そのフォームが開き、新しい物体検出項目が作成されます。
必要なスキル
- 管理者は物体検出モデルを作成して利用できますが、ユーザーは管理者が作成したモデルを利用するのみです。
- 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、自社の業務要件を十分に把握している必要があります。
- Creator はローコードプラットフォームであるため、物体検出モデルを作成・利用する際に、事前のコーディングや機械学習のスキルは不要です。
必要なデータ
- 物体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低 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 枚の画像を用意してください。
- 画像の属性（色、形状、サイズ）をより正確に識別し、モデルのパフォーマンスを向上させるには、50 枚の画像を使用することもできます。
- 望ましい結果を得るには、さまざまな角度から撮影した最大 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、より多い方が望ましいです。画像が50 枚あると、モデルはより高い確信度で、色・形状・サイズなどの画像特性を認識できるようになります。
必要な料金プラン
- AI モデルは、Creator の有料プランで利用できます。詳細については料金ページを参照してください。
必要な Creator のバージョン
- カスタム AI モデルを作成するには、Zoho Creator 6（C6）を使用する必要があります。一方、すぐに使える AI モデルは C6 と C5 の両方で利用できます。
サンプルデータで始める
物体検出の可能性をすばやく体験し、理解できるように、サンプル画像を使って物体検出モデルを作成・トレーニングできます。このモデルは、Creator アプリケーションですぐに利用できます。
例
Creator を使ってジルカーの 在庫管理アプリを作成し、在庫数を把握するためにさまざまな物体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、建設用の原材料として次の 3 種類をカウントするとします: 中空コンクリートブロック、AAC ブロック、まぐさブロックです。
このケースで物体検出モデルを利用する方法は次のとおりです。
- モデルを作成する:
- モデルで検出・カウントしたい物体の種類を特定します。この例では、検出対象の物体は中空コンクリートブロック、AAC ブロック、まぐさブロックです。
- 検出対象の物体が写っている画像を十分な数アップロードします。この例では、3 種類のブロックそれぞれの画像をアップロードする必要があります。
- 学習時には、各物体につき最低 10 枚の画像をアップロードしてください。可能であれば無地の背景で撮影し、さまざまな角度や照明条件で物体が写るようにします。
- モデルをトレーニングします。
- モデルをデプロイする:
- モデルへの入力を含むフォームの画像項目を選択します。
- 新しい物体検出項目を追加します。
- 本番環境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 種類のブロックのいずれかの画像になります。
物体検出モデルのフロー
トレーニングデータを追加する
トレーニングデータとは、モデルがデータパターンを分析し、解釈を行い、検出に役立つ学習結果に到達するために使用する初期データセットです。物体検出モデルに対象物を認識させるには、それらの物体が写っている画像を十分な数集める必要があります。
- モデルの結果は常に正確とは限りません。これは、あらゆる AI に共通する特性です。
- モデルの結果は動的です。同じ入力であっても、マシンの学習状況に応じて、異なるタイミングで異なる結果が返される場合があります。つまり、継続的にモデルを再トレーニングすると、そのたびにモデルは継続的に学習していることになります。
形式とサイズ
物体検出モデルに入力する画像は、次の条件を満たす必要があります。
- 形式：
- JPG
- PNG
- TIF
- サイズ：
- 1つのオブジェクト内の各画像につき最大5 MB
- モデル全体のサイズは250 MBまで
ガイドライン
- 物体検出モデルを動作させるには、学習データとして最低2種類のオブジェクトを追加する必要があります。
- 追加する各オブジェクトについて、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。
- 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。
- 必要な画像をすべて含むフォルダーをアップロードした場合、そのフォルダー内の最初の20枚の画像のみをインポートします。
- 画像フォルダーのサイズがモデルサイズ上限の250 MBを超える場合、許可されているモデルサイズの範囲内となる枚数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、そのフォーム内にソースフィールドとして画像フィールドが必要です。
- フォーム内にサポートされているフィールドタイプが存在しない場合は、物体検出モデルをデプロイする前に、先にそれらのフィールドを作成する必要があります。
画像の追加
モデルに検出させたいオブジェクトを含む十分な数の画像を収集する必要があります。画像を収集したら、オブジェクト用の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。ZIPフォルダー内に保存されている画像をアップロードすることもできます。この場合、ZIPフォルダーの名前が、新しく作成されるオブジェクトフォルダーの名前として使用されます。先ほど収集した画像は、物体検出モデルにアップロードする際に使用します。
- モデルの精度を向上させるため、同じオブジェクトでも角度を変えたさまざまな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。
モデルの概要
学習データを追加した後、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のモデル詳細を確認できます。また、オブジェクトの詳細として、オブジェクト名、学習済み画像数、オブジェクトサイズも表示されます。変更が必要な場合は戻って修正できます。問題なければ、そのままモデルの学習に進みます。
モデルを学習させる
アプリケーションで物体検出モデルを実際に使用する前に、ビジネス要件に応じた結果を出力できるようモデルを学習させる必要があります。オブジェクト画像を選択して確認したら、学習をクリックしてモデルを学習させます。
モデルの詳細を表示・管理する
モデルのトレーニングが完了すると、モデルの詳細、モデルのバージョン、および（存在する場合は）デプロイの詳細を確認できます。その後、モデルを公開してアプリケーションにデプロイできる状態になります。
モデルは、次の方法で管理できます：
- 再トレーニング - オブジェクト検出モデルの信頼性と精度を向上させるのに役立ちます。
- ［Re-train］をクリックすると、モデルが再トレーニングされます。
- 各再トレーニングが完了するたびに、新しいモデルバージョンが作成されます。必要に応じて、異なるバージョンを切り替えて利用できます。
- 現在使用中のバージョンを削除する場合は、その前に別のバージョンに切り替えてから削除する必要があります。
- モデルのトレーニングに失敗した場合は「Model training has failed!」と表示されます。その間は、直前まで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、モデル名を変更できます。
- 削除 - データの不整合や誤ったデータの追加などの理由でモデルを削除したい場合は、削除オプションを使用します。
モデルをテストする
モデルのトレーニング後、アプリケーションで公開およびデプロイする前に、モデルがどのように動作するか、トレーニング結果が十分かどうかを確認するためにテストできます。適切なテストデータ（オブジェクト画像）をアップロードすると、テスト後に予測結果とともに信頼度スコアが表示されます。
- 信頼度スコアが高い（85 ～ 97）場合は、そのままモデルを公開できます。
- 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トレーニングすることを検討してください。
- 信頼度スコアが低い（< 50）場合は、データの不整合がないか確認し、データを見直したうえで再度モデルをトレーニングしてください。
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、トレーニング済みモデルの信頼度スコアを算出します。たとえば、トレーニングに使用した画像と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 などの高い信頼度スコアが得られます。信頼度スコアが低い場合は、モデルのパフォーマンスを向上させる方法についてこちらを参照してください。
モデルのパフォーマンスを向上させる
- データ量 - オブジェクト検出モデルをトレーニングし、精度を高めるには、十分な数（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、誤検出や低い信頼度スコアとなる可能性が高くなります。また、同じオブジェクトでもさまざまな種類の画像を含めることで、モデルの偏りを抑え、汎化性能を高めることができます。
- データ品質 - トレーニングデータには、明るく均一な背景で撮影された鮮明な画像を使用することを推奨します。背景にさまざまなものが写っていると、モデルが本来のオブジェクト以外を検出してしまう可能性があります。
- データのサイズと角度 - オブジェクトのさまざまな大きさや見え方を示す画像（リンゴの集合写真と 1 個のリンゴのクローズアップ写真など）をアップロードしてください。このようなスケールの違いは、モデルがオブジェクトを汎化してより高い信頼度で識別するのに役立ちます。また、オブジェクトを異なる角度から撮影した画像を用意することも推奨されます。
モデルを公開して利用する
オブジェクト検出モデルのトレーニング後、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。モデルをアプリケーションにデプロイすると、新しいオブジェクト検出項目が作成され、オブジェクトの検出を開始できます。操作方法を見る