人工知能（画像認識）勉強会

こんにちは！技術部の陳です。
2020年二回目の技術勉強会を開催しました。
今回はSCMチームの孫さんの主催で、人工知能(画像認識編)についての話をしていただきました。

人工知能(AI)の研究分野

人工知能の研究には様々な分野があり、実際に私達の身の回りに応用されているものも多くあります。

AlphaGo

まずは、人工知能の代表的な例AlphaGoの紹介をしていただきました。

PS：孫さんは子供頃から囲碁を勉強して、アマチュア６段の免状を持っています。孫さんは今もよく囲碁大会に参加しています。

AlphaGoの登場は単なる一競技の勝敗を越え、人工知能の有用性を広く知らしめるものとなり、世界的AIブームを呼び起こすきっかけともなった。

画像認識

人工知能の典型的な活用分野の一つに画像認識があります。画像認識ではその名の通り、画像からパターンを認識して「何が映っているか」を特定することができます。ディープラーニングと呼ばれる手法により飛躍的な精度の向上に成功しました。

Tensorflow

TensorFlow は、機械学習向けに開発されたエンドツーエンドのオープンソースプラットフォームです。研究者が機械学習で最新の実験を行い、デベロッパーが ML 搭載アプリケーションを簡単に開発してデプロイできるよう、各種ツールやライブラリ、コミュニティリソースを備えた総合的で柔軟性に富んだエコシステムを確立しています。

画像認識させるためにTensorFlowが使われている。

1. TensorFlow をインストール
■ 開発環境：Python 3.7.0、pip 20.2.3
■ インストール：pip install tensorflow

2. 実例
この実例では、５つ種類(菊、タンポポ、薔薇、向日葵、チューリップ)の花の画像を認識する方法を示します。datasetを使用してデータを読み込んで、 keras.Sequentialを使用して画像分類を実現します。

注：kerasはニューラルネットワーク(neural network) API

Copy to Clipboard

import numpy as np
import tensorflow as tf</pre>
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential

import pathlib

#Dataset作成
data_dir = pathlib.Path("flower_photos")

batch_size = 32
img_height = 180
img_width = 180

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="training",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)

#Datasetのパフォーマンスを向上する
#dataをrandom化
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)

#訓練dataを前処理
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

#ピクセルをresize
normalization_layer = layers.experimental.preprocessing.Rescaling(1./255)
num_classes = 5

#Model作成
model = Sequential([
layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
layers.Conv2D(16, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(num_classes)
])

#Modelを訓練
# Compile the model
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])

# Training the model
epochs = 3
history = model.fit(
train_ds,
validation_data=val_ds,
epochs=epochs
)

Copy to Clipboard