スキップしてメイン コンテンツに移動

MAGELLAN BLOCKSで画像分類を使ってみる

ぼくはカイトボードというスポーツをやっている。

カイトボードというのは、空に翼のようなカイトを揚げ、揚力で体を引っ張ってもらいながら海の上を走るスポーツだ。


このカイトボードには、色々とスタイルがあり、ぼくがはまっているのはサーフボードに乗って波乗りをしながら乗るカイトサーフィンというスタイル。


これは普通にサーフボードとカイトの組み合わせなので、はたから見たらサーフィンのようにも見える。

先日、ぼくが敬愛するO本夫婦が、ヨットを見て「最首さん、あそこでカイトやってるのかな。」と言ってたらしく、偶然にもその側でカイトやっていたので、色々と間違っているのだけれど結果的には正解だったという出来事があった。

そしてO本夫婦は、未だにヨットとカイトの区別もつかないまま、最近赤ちゃんが産まれてしまったのだ。色んな意味でおめでたいんだけど、でも産まれてきた子供のためにも、ここは正しい知識を伝えなくちゃと思い、最近リリースしたばかりのMAGELLAN BLOCKS画像分類モデルを使って、カイトサーフィンとサーフィンの違いを学習させてみた。(カイトサーフィンとヨットを間違える人は、論外ともいえるし、学習としては簡単すぎるので)

まずBLOCKSのボード作成画面からMLボードを選択。


新しく画像分類というのがあるので、それを選ぶ。


ボード名を設定してクリックしていくと、画像分類のボードが作成される。


こんな感じ。これで準備完了。

で、これから学習をさせていくので、学習に使う画像を準備。
画像ファイルは、Google Cloud Storageにフォルダを作って置く。

今回は、sportsというフォルダを作って、その下に「Kitesurfing」というフォルダと「Surfing」というフォルダを準備。


カイトサーフィンの画像は、Kitesurfingというフォルダの中に入れて、サーフィンの画像は、Surfingフォルダの中にいれる。それだけ。

そこまで準備ができたら、BLOCKS画面からトレーニング開始ボタンを押して、画像を入れたフォルダを指定する。


今回の例では、sportsフォルダ。この下にあるフォルダ名が分類をするときの分類名になる。

で、開始ボタンを押すと学習がはじまる。
今回は色々と探してきた画像を10枚ずつ入れてみたんだけど、学習時間は6分ほど。

学習が完了したら、適用ボタンを押すとこれで利用できるようになる。

では、フローを作ってみよう。

評価に使う画像は、別のフォルダに入れておく。
今回は、sports_evaluationというフォルダに何枚か入れた。

作るフローは、こんな感じ。


2番目のブロックは、最近追加されたブロック。なかなか便利なブロックで、Google Cloud Storageのフォルダ内ファイルの一覧を取得して変数化してくれる。

なので、sports_evaluationというフォルダに何枚か画像を入れたので、ブロックの設定は以下のようになる。

設定するのは、「ファイルGCS URL」というところ。

sports_evaluation/*.jpg

このように設定すれば、フォルダ内の.jpgで終わるファイル一覧を取得し、内部変数に設定してくれる。

このブロックに、機械学習グループの中から「MLボード予測(オンライン)」を選んで、さきほど学習させたMLボードを選択する。


これで完成。

早速判断させてみる。


この画像。


99.8%の確率でカイトサーフィンだと言ってます。
サーフィンの確率は、0.1%。

こんな感じで、商品画像だったり、色んなものを覚えこませるととても便利に使える。
微妙な違いを理解させるには、与える画像を増やしていく。

でも、BLOCKSは、すでにかなりの数の画像を見せた上で、どのように特徴をつかむべきかを学習させてある。

だから少ない画像でも。そして学習も極めて高速に行える。

ぜひ、試しにつかってみて。便利だし、簡単だから。

コメント

このブログの人気の投稿

増資に関わる ぼくたちの覚悟

世の中は、時々おどろくほど大きな転換点が訪れる。過去と無関係な未来なんてないはずだけど、これまでの様々なこととは不連続に思える未来だ。


さきほど日本経済新聞のサイトでニュースが流れたので、お知らせします。
ぼくたちグルーヴノーツは、少し大きめの資金調達に踏み切りました。

グルーヴノーツと名乗り始めてから一貫して取り組んできたのは、最先端のIT技術を、専門知識がない人でも取り組めること。

そしてぼくらの「MAGELLAN BLOCKS

めざしているのは「機械学習の民主化」だ。

そのために、たくさん議論をし、機能を磨き、たくさんのプロジェクトで実践してきた。そして、さまざまな成果から、過去とは不連続だけど、とてつもなく大きな可能性を秘めた未来が見えてきた。同時に、ぼくらがやらなければならないことがハッキリしてきた。

だからこそ、ここはしっかりと前に進み、大きく前進していこう。
曖昧な一歩ではなく、ぼくらがやらなければならないことを、確実に、ためらわずに実行する。

今回の増資は、そういうこと。そして、増資を外部に公表するのは、そうしたぼくたちの覚悟を世間に公開する。そういう意思表示。

日経の記事には次のように紹介されている。

「同社の「マゼランブロックス」は米グーグルの機械学習サービスを使い、数値や文字、画像データを入力するだけで、AIが規則性などを発見して将来を予測できる。プログラミングなど専門知識を不要にした。」

でも、正確に言うなら、

「同社の「マゼランブロックス」はGoogleの機械学習インフラを活用し、グルーヴノーツが独自開発した機械学習サービスを使い、数値や文字、画像データを入力するだけで、AIが規則性などを発見して将来を予測できる。プログラミングなど専門知識を不要にした。」

Googleの圧倒的なパワーを借りながら、ぼくら自身が作り上げた機械学習モデルを使い、ぼくら自身が考え、作り上げたサービス。だから、これまでのやり方では解決できないことがあったら、ぜひ相談してほしい。

専門ベンダーを起用するのではなく、事業会社が自力で考え、自力で作り上げる機械学習サービス。そうしたことが、実現できるのだから。

そして、ベンダーに依存するのではなく、自力で考え、構築することこそ、機械学習が開く未来への扉の鍵なのだから。

福岡本社の、まだまだ小さな会社だけど、社会が望むことに真っ直…

福岡ではじまる新たな動き「OPEN AI LAB」

ぼくたちは、福岡が本社だ。このエネルギーにあふれ、人の可能性を否定しない街は、ぼくたちのあらゆることの原点でもある。


だからこそ、福岡が刺激的に成長していくことは、ぼくたちにとって欠くべからざることなのだ。

テックパークという学童保育をやっていることも、九州経済産業局と一緒に地元製造業のために機械学習を学ぶ場を作ったことも、すべてそういう思いがあったから。

でも、もっと継続的に。地元企業同士が学び、知見を共有しあいながら、機械学習について研鑽を深め、事業を生み出していくことができたら。

実際、地元企業からとても多くの相談を受けるようになって、わずかなアドバイスでめちゃくちゃ画期的なサービスを完成させた人たちもいるし。そして、この土地は、周りと協力しあうことがとても好きな土地だし。

やっぱり機械学習は、理屈よりも実践だ。機械学習の権威が「無理じゃないかな」と言ったことが、やってみたら意外にも成果が出たこともある。

だから、まずは実践すること。迷わず実践してみて、成果が見込まれたら本格的に取り組めばいい。そしてこういうことは、一人で悶々と進めちゃダメだ。仲間と一緒に、あーだこーだ実験したり、成果を共有しあいながら進める。できるなら、会社も違い、業種も違う人たちと一緒に。そうなんだよ。こういうことが得意なのは、やっぱり福岡の人間だよな。そう思ったわけだ。

色々な思いがあって、ふくおかフィナンシャルグループの人たちと意気投合し、ざっくりとしたアイディアながら、高島市長も賛同してくれたし。

そして、いつもいろんな意見を交わしあっているソフトバンクが、「やるよ!」って男らしく笑顔とともに引き受けてくれたし、機械学習で世界を圧倒的にリードしているGoogleも、もちろんやりますよ。といってくれたし。

ということでスタートします。

オープンな場で、機械学習について学び、事業化に向けて実践していく場。
OPEN AI LAB

これはエンジニアの集まりではなく、事業家の集まり、ビジネスマンのためのもの。

そういう人たちが実践できるような、数々の手段や、事例や、ワークショップや。そういうものを通じて、理屈だけじゃなく、成功までの道筋を体感できるような。そんな活動をはじめます。

とびっきりの道具を使って、自分のビジネスに劇的な革新を起こしたい人は、ぜひここに集ってほしい。最高の体験を…

工場の不良品検査を機械学習で実現 BLOCKSに画像分類モデル登場

製造業にとっては、生産している商品が全てだ。


会社の体制も、工場の仕組みも、顧客の信頼を裏切らない商品を生産するために存在する。

工夫に工夫を重ね、素晴らしい精度で商品を生み出しているからこそ、商品のわずかな傷や、不良も見逃せない。

そんな製造業では、最終検品をベテラン社員が目視で行なっているところが非常に多い。


社員は製品を熟知しているし、新しい製品が出てきたとしても、少しレクチャーを受ければすぐにコツをつかむことができる。

でも、人間は疲れるし、体調だって崩すこともある。そして社会全体が人口減少なんだから、人手に頼っているのはコスト的にも、拡張性という点でもリスクだとも言える。

そんなことを考えてしまうと、例えばデジタルカメラの精度は人間の目をはるかに超えているわけだし、そんな作業はコンピュータに任せることはできないのか。そう思っている会社は極めて多い。

コンピュータを使って不良品を見つけ出す。

簡単なようでいて、これはなかなか難しい課題だ。

だって製品の仕様はコロコロ変わるわけだし、バリエーションもたくさんあったりする。

機械学習を使って判定させようとすると、新しい製品が出るたびに、新しい仕様が決まるたびに、新しく何千枚、何万枚と画像を撮影して学習させなければいけないとしたら、多分そんなことやってられない。

でも、もしも、わずか100枚くらいの画像を見せて、極めて高い精度の判定ができるとしたら。もしも学習が10分ちょっとで終わるとしたら。

そんなに簡単なら、新しい商品が登場するたびに、写真をとって学習させ、すぐに使ってみることができるだろう。

だから。



製造業のみなさん、おまたせしました。

そんなことを実現するMAGELLAN BLOCKSの新しい機械学習モデル「画像分類」がリリースされました。

新しい画像分類モデルは、転移学習という手法を使っており、あらかじめ世の中の様々な画像で物の見た目から特徴をつかむことを学習させてあります。だから不良の画像が100枚、正常の画像が100枚といった少ない枚数でも、不良という画像にはどんな特徴があるのかを、極めて高い精度で見つけ出し、判断することができるようになります。

使い方は簡単。

例えば良・不良の判定をしたいなら、goodというフォルダにgoodな画像を入れ、NGというフォルダにNGな画像を入れ。そしてBLOCK…