機械学習を簡単に試したい人向け、「Amazon Lookout for Vision」で画像データを使った学習、ラベル付け、精度向上の手順：AWSチートシート

AWS活用における便利な小技を簡潔に紹介する連載「AWSチートシート」。今回は、「Amazon Lookout for Vision」を使って、画像で簡単に異常検知を行う方法を紹介する。

[石田卓也，株式会社システムシェアード]

　「Amazon Web Services」（AWS）活用における便利な小技を簡潔に紹介する連載「AWSチートシート」。今回は「Amazon Lookout for Vision」を使って、画像で簡単に異常検知を行う方法を紹介します。

「Amazon Lookout for Vision」とは

　「Amazon Lookout for Vision」は、コンピュータビジョンを使用して視覚表現の欠陥や異常を発見するサービスです。Lookout for Visionは機械学習を使用して、人と同じようにカメラからの画像を確認、理解します。それも人よりも高い精度とはるかに大きな規模で実行できます。つまり、機械学習で製品の画像を読み込ませて学習させることで、画像が異常か正常かを分類してくれるサービスです。しかも機械学習の専門知識を必要とせずに、ほんの数分で画像や対象物の検査を自動化することができるのです。

　製造業の企業は、対象の画像の違いを大規模で速やかに特定することで、品質を向上させ、運用コストを削減できます。品質管理、欠陥や損傷の評価、コンプライアンスを向上させながら、コストのかかる一貫性のない手動検査の必要性を排除できるのです。例えば、製品に不足しているコンポーネント、車両や構造物の損傷、生産ラインの不規則性、シリコンウェハーの微小な欠陥、その他の同様の問題を特定できます。

「カーペットの画像から“ほつれ”、シミ、金属片などの異常を判断する」サンプルで機械学習を知る

　本稿では、Lookout for Visionの使い方の例として、「カーペットの画像から“ほつれ”、シミ、金属片などの異常を判断する」サンプルを示します。

　前準備として、Amazon Web Services Japanのエバンジェリスト亀田治伸氏が用意してくれている画像データをダウンロードしておきます。

• https://filesharingharunobukameda.s3-ap-northeast-1.amazonaws.com/Images.zip

　「開始方法」をクリックします。

　ストレージサービス「Amazon Simple Storage Service（S3）」のバケットを作成します。

　任意のプロジェクト名を付けてプロジェクトを作成します。

AIモデル作成

　ここまででプロジェクトを作成できました。ここからの流れをできるだけ簡単にした説明を挟みます。

1. シミやほつれのない正常な画像を読み込ませる
2. シミやほつれのある異常な画像を読み込ませる
3. 正常な画像には「正常」、異常な画像には「異常」と答え、「ラベル」という“答え”を付けてあげる
4. AIモデルに画像を覚えてもらう
5. 学習したAIモデルに、別で用意した正常／異常が混ざった画像一覧を見せてちゃんと判断できるかどうかをテストする
6. 振り分けを間違えた画像に対して本当はこっち（正常or異常）だよともう一度答えを教えてあげる
7. 間違えたのを修正した画像込みで、もう一度AIモデルに学習してもらう
8. 正解率が上がった！

　これを少し難しくいうと、下記のようになります。

1. 正常のデータセットを読み込む
2. 異常のデータセットを読み込む
3. ラベルを追加する
4. モデルをトレーニングする
5. パフォーマンスメトリクスを確認し、スコアを見て改善策を練る
6. 再度ラベリングしモデルを改善する
7. 再度モデルをトレーニングする
8. 正解率が上がった！

　続きを見ていきましょう。