物体検出モデルは、デジタル写真内のあらかじめ定義されたオブジェクトを、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、 アップロードした画像を人工知能（AI）で解析します。

多種多様なオブジェクトの在庫を大量に抱えており、それらを毎日手作業で検出している場合、この作業は時間がかかり、繰り返しが多くなります。そこで、物体検出モデルを使用して、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、オブジェクトを特定します。このモデルを使用すると、在庫管理や会計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、それぞれ検出したい独自のオブジェクトがあります。例えば、建築資材を扱っている場合は、使用中のさまざまな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、業務ニーズに合わせたカスタム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 セクションから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、新しい物体検出フィールドが作成されます。

必要なスキル

• 管理者は物体検出モデルを作成・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。
• 業務要件を十分に把握し、モデルのトレーニングに使用する画像を特定・収集できる必要があります。
• Creator はローコードプラットフォームのため、物体検出モデルを作成・利用する際に、管理者やユーザー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。より良い結果を得るには、少なくとも 20 枚の画像を用意することを推奨します。
• また、50 枚の画像を使用することで、モデルが画像の属性（色、形状、サイズ）をより正確に識別できるようになり、パフォーマンスも向上します。
• より良い結果を得るには、最大 20 枚まで、さまざまな角度から撮影した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すれば開始できますが、より多い方が望ましいです。画像が50 枚あると、モデルは色・形状・サイズなどの画像属性をより高い確度で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 の有料プランをご利用のユーザーが利用できます。詳細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）を使用している必要があります。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把握し、スムーズに使い始められるよう、サンプル画像を使って物体検出モデルを作成・トレーニングし、Creator アプリケーションですぐに利用することができます。

Creator を使ってZylkerの在庫管理アプリを作成し、在庫内の商品数を把握するためにさまざま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集計するのは非常に時間がかかります。

このアプリでは、3 種類の建築用資材の数量を管理しているとします。つまり、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。

このケースでオブジェクト検出モデルをどのように使用するかを説明します。

1. モデルを作成します。

• モデルで検出・カウントしたいオブジェクトの種類を特定します。この例では、識別が必要なオブジェクト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。
• 識別が必要なオブジェクトの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アップロードしてください。オブジェクトがさまざまな角度や照明条件で写るようにしてください。

2. モデルをトレーニングします。
3. モデルをデプロイします。

• モデルへの入力を保持するフォーム内の画像項目を選択します。
• フォームに新しい オブジェクト検出項目を追加します。
• 必要な値を取得するために画像をアップロードします。この例では、3 種類のブロックのいずれか 1 つの画像が入力となります。

オブジェクト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最初に使用するデータセットです。オブジェクト検出モデルに対象オブジェクトを認識させるには、それらのオブジェクトを含む画像を十分な数だけ収集する必要があります。

形式とサイズ

オブジェクト検出モデルに読み込む画像は、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までです。

ガイドライン

• オブジェクト検出モデルを動作させるには、学習データとして少なくとも2つ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。
• 必須の画像をすべて含むフォルダーをアップロードした場合、そのフォルダーから最初の20枚の画像のみがインポートされます。
• 画像フォルダーのサイズがモデルサイズの上限である250 MBを超える場合、許可された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。
• フォームにオブジェクト検出フィールドを追加するには、そのフォーム内に画像フィールドをデータソースフィールドとして用意しておく必要があります。
• 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、オブジェクト検出モデルをデプロイする前に、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。そのうえで、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可能です。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、オブジェクト検出モデルにアップロードする際に利用します。

モデル概要

学習データを追加した後、モデル名、種類、サイズ、モデルごとに追加された画像の合計数などのモデル詳細を確認できます。また、オブジェクト名、学習済み画像数、オブジェクトサイズなどのオブジェクト詳細も表示できます。変更が必要な場合は、前の画面に戻って編集できます。問題なければ、そのままモデルの学習を続行できます。

• モデルを学習する
• モデル詳細を表示・管理する
• モデルをテストする
• モデルを公開して使用する

モデルを学習する

アプリケーションでオブジェクト検出モデルを実際に使用する前に、ビジネス要件に沿った結果を出せるように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、［Train］をクリックしてモデルを学習させます。

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、モデルのバージョン、および（存在する場合は）デプロイの詳細を表示できます。その後、モデルを公開してアプリにデプロイする準備が整います。

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。

• モデルを再トレーニングするには、Re-train をクリックします。
• 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使用できます。
• 現在使用中のバージョンを削除する場合は、削除を実行する前に、別のバージョンに切り替える必要があります。
• モデルのトレーニングに失敗した場合、「Model training has 失敗!」と表示されます。その間、直前まで動作していたモデルが予測に使用されます。

• 名前を変更する - 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できます。

モデルをテストする

モデルのトレーニング後、モデルをテストして、動作を確認し、トレーニング結果が十分かどうかを検証してから、アプリケーションで公開およびデプロイできます。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取得できます。

• 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推奨します。
• 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、データを見直してから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。例えば、トレーニング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。低い信頼度スコアとなった場合は、こちらを参照してモデルのパフォーマンスを改善してください。

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としては、明るく均一な背景で撮影された、鮮明な画像を追加することを推奨します。背景に他のオブジェクトが含まれていると、モデルがそれらを誤って検出する可能性があります。
• データのサイズと角度 - オブジェクトのさまざまな側面を示す、異なるサイズの画像をアップロードしてください。例えば、複数のリンゴが写った写真と、1 個のリンゴのクローズアップ写真などです。このようなスケールの違いは、モデルがオブジェクトをより一般化して認識し、高い信頼度で検出できるようにするのに役立ちます。また、異なる角度から撮影されたオブジェクトの画像を用意することも推奨されます。

モデルの公開と利用

オブジェクト検出モデルのトレーニングが完了したら、モデルを公開してユーザーが利用できるようにします。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。操作方法を参照

オブジェクト検出モデルを環境が有効な 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 つのバージョンを本番環境に公開しておく必要があります。アプリケーションにモデルをデプロイした後は、モデルがどのステージにデプロイされているかを確認するために、環境の各ステージでフィルターできます。 操作方法はこちら

関連トピック

• AI モデラーについて
• オブジェクト検出モデルの作成と管理
• すぐに利用できるオブジェクト検出モデル