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へ名称が変更されました。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。アップデート前にモデルを作成された方は、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でき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AI（人工知能）で解析します。

多様なオブジェクトの在庫を毎日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。こうした場面でオブジェクト検出モデルがプロセスの自動化に役立ちます。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して識別します。この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

あらゆる規模の企業には、それぞれ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、モデルにそれぞれを識別させることができます。

Creatorでは、法人の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と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、オブジェクト検出用の新規項目が作成されるフォームに移動します。

必要なスキルは？

管理者はオブジェクト検出モデルの作成および利用が可能ですが、ユーザーは管理者が作成したモデルのみ利用できます。
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選定・収集できる必要があります。
低い-コードプラットフォームであるCreatorでは、管理者やユーザーに事前のコーディングや機械学習の知識は不要で、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。より良い結果を得るためには、少なくとも20枚の画像を用意してください。
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、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は、さまざまな角度から最大20枚の画像をアップロードすることができます。
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、より多くの画像が推奨されます。50枚の画像を使用することで、モデルはより高い精度で色、形状、サイズなどの画像属性を認識できるようになります。

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。詳しくは料金ページをご参照ください。

どのバージョンのCreatorを使用する必要がありますか？

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、ready-to-使用する AI modelsはC6とC5の両方で利用可能です。

サンプルデータで始める

迅速に開始し、object detectionの可能性を探るために、サンプル画像を使ってobject detectionモデルを作成・学習させることができ、そのモデルをCreatorアプリケーションですぐに利用できます。

ページの一番下までスクロールし、サンプルデータをご活用ください。

例

たとえば、Creatorを使ってZylkerの 在庫管理アプリを構築し、さまざまなオブジェクトを検出して在庫内の商品数を把握したいとします。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。

このアプリは、3種類の建設用生データ資材、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ます。

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として中空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含まれます。
識別対象とな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小10枚の画像を、できるだけ無地の背景でトレーニング用にアップロードしてください。さまざまな角度や異なる照明条件で撮影した画像を用意することを推奨します。

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。
必要な値を取得するために有効な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

Training Data を追加する

Training data は、モデルがデータパターンを分析し、解釈を行い、検出を行うために使用される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、それらのオブジェクトが含まれる十分な画像を収集する必要があります。

モデルの結果は常に正確とは限りません。これは他のAIにも共通しています。
モデルの結果は動的です。同じ入力でも、機械学習の進捗状況によって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、モデルは常に学習し続けます。

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に従うことを推奨します。

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サイズは 5 MBです
モデル全体のサイズ上限は 250 MBです

ガイドライン

オブジェクト検出モデルを機能させるには、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。
追加する各オブジェクトについて、最低でも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 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、許容サイズ内の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、画像項目をそのフォームのデータ元項目として設定する必要があります。
対応す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、まずそれら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ている十分な画像を収集する必要があります。画像を収集した後、オブジェクト用のフォルダを作成し、名前を指定してください。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、ご自身の.郵便番号フォルダに保存されている画像もアップロード可能です。この場合、.郵便番号フォルダの名前が新しく作成したオブジェクトフォルダ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、同じ対象物の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準拠し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。さらに、object 詳細（object 名前、trained 画像、object sizeなど）も表示可能です。修正が必要な場合は、戻って編集できます。問題なければ、そのままモデルのトレーニングを続行してください。

モデルをトレーニング

アプリケーションで object detection model を使用する前に、法人のニーズに合わせて期待される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・確認したら、Trainをクリックしてモデルのトレーニングを開始してください。

メモ: トレーニングには時間がかかる場合があります。ページを移動せずにそ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。トレーニング時間はモデルの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、モデル詳細、モデルのバージョン、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。モデルは公開済みとなり、アプリへのデプロイが可能な状態になります。

モデルは以下の方法で管理できます。

再トレーニング - 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、モデルが再学習されます。
各再学習の後、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したい場合は、削除を行う前に別のバージョンへ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、以前の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。

テスト model

モデルをアプリケーションで公開・運用する前にテストすることを推奨します（必須ではありません）。

モデルのトレーニングが完了したら、アプリケーションに公開・導入する前に、動作を確認するためにテストを行うことができます。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、テスト後には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参照ください。

信頼度スコアが高い（85 - 97）場合は、モデルを公開し続けることができます。
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、データの不整合を確認し、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、トレーニング画像と似た画像をテストデータとしてアップロードした場合、信頼度スコアが96と高くなります。低い信頼度スコアが表示された場合は、こちらをご参照いただき、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示すものではありません。

モデルのパフォーマンスを向上させる

Data 数量- オブジェクト検出モデルの精度を高めるためには、最低でも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、モデルの偏りを防ぎ、汎用性を高めることができます。
Data 品質- トレーニングデータとしては、背景がシンプルで明るく、クリア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あると、モデルがそれらも検出してしまう場合があります。
Data size and angles- オブジェクトのさまざまなサイズや角度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です。このようなスケールのバリエーションにより、モデルがオブジェクトをより汎用的に認識し、自信を持って識別できるようになります。また、異なる角度から撮影した画像も提供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、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のみ可能です。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、環境の各ステージ間でフィルターをかけて、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。方法を参照