翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
Amazon Lookout for Vision について
Amazon Lookout for Vision を使用して、次のようなタスクで工業製品の視覚的欠陥を正確かつ大規模に見つけることができます。
-
損傷した部品の検出 — 製造および組み立てプロセス中に、製品の表面品質、色、形状が損傷している箇所を特定します。
-
不足しているコンポーネントの特定 — オブジェクトの有無、有無、配置に基づいて不足しているコンポーネントを特定します。たとえば、プリント基板にコンデンサがない場合などです。
-
プロセス上の問題の発見 — シリコンウェーハ上の同じ箇所に繰り返し傷がつくなど、パターンが繰り返される欠陥を検出します。
Lookout for Vision を使用すると、画像に異常が発生することを予測するコンピュータービジョンモデルを作成できます。Amazon Lookout for Vision がモデルのトレーニングとテストに使用する画像を提供します。Amazon Lookout for Vision は、トレーニングしたモデルの評価と改善に使用できるメトリクスを提供しています。AWSトレーニング済みのモデルをクラウドでホストすることも、モデルをエッジデバイスにデプロイすることもできます。簡単な API 操作で、モデルが行った予測が返されます。
モデルを作成、評価、使用するための一般的なワークフローは次のとおりです。
モデルのタイプの選択
モデルを作成する前に、どのタイプのモデルを使用するかを決める必要があります。画像分類と画像セグメンテーションの 2 種類のモデルを作成できます。ユースケースに基づいて作成するモデルのタイプを決定します。
画像分類モデル
画像に異常があるかどうかを知る必要があるだけで、その位置を知る必要はない場合は、画像分類モデルを作成してください。画像分類モデルは、画像に異常が含まれているかどうかを予測します。予測には、予測の精度に対するモデルの信頼度が含まれます。このモデルでは、画像上に異常が見つかった場所に関する情報は提供されません。
画像セグメンテーションモデル
傷の場所など、異常の場所を知る必要がある場合は、画像セグメンテーションモデルを作成してください。Amazon Lookout for Vision モデルでは、セマンティックセグメンテーションを使用して、画像のどのタイプの異常 (傷や欠けている部分など) が存在するピクセルを特定します。
セマンティックセグメンテーションモデルは、さまざまなタイプの異常を特定します。個々の異常に関するインスタンス情報は提供しません。たとえば、画像に2つのへこみが含まれている場合、Lookout for Visionは両方のへこみに関する情報を、へこみの異常タイプを表す単一のエンティティで返します。
Amazon Lookout for Vision セグメンテーションモデルでは、次のことが予測されます。
分類
モデルは、予測に対するモデルの信頼度を含む、分析された画像の分類 (正常/異常) を返します。分類情報はセグメンテーション情報とは別に計算されるため、それらの間の関係を想定しないでください。
セグメント化
このモデルは、画像上で異常が発生するピクセルをマークする画像マスクを返します。データセットの異常ラベルに割り当てられた色に応じて、さまざまなタイプの異常が色分けされます。異常ラベルは異常のタイプを表します。たとえば、次の画像の青いマスクは、車に見つかったスクラッチアノマリータイプの場所を示しています。
モデルはマスク内の各異常ラベルのカラーコードを返します。このモデルでは、アノマリーラベルに含まれる画像のカバー率も返されます。
Lookout for Vision セグメンテーションモデルでは、さまざまな基準を使用してモデルの分析結果を分析できます。例:
-
異常箇所 — 異常の位置を知る必要がある場合は、セグメンテーション情報を使用して異常をカバーするマスクを確認してください。
-
異常の種類 — セグメンテーション情報を使用して、画像に含まれる異常タイプが許容数を超えているかどうかを判断します。
-
対象領域 — セグメンテーション情報を使用して、異常タイプが画像の許容範囲を超える範囲をカバーしているかどうかを判断します。
-
画像分類 — 異常の場所を知る必要がない場合は、分類情報を使用して画像に異常が含まれているかどうかを判断します。
サンプルコードについては、「画像内の異常を検出する」を参照してください。
必要なモデルのタイプを決定したら、モデルを管理するためのプロジェクトとデータセットを作成します。ラベルを使用すると、画像を正常または異常として分類できます。ラベルはマスクやアノマリータイプなどのセグメンテーション情報も識別します。データセット内の画像にどのようにラベルを付けるかによって、Lookout for Vision が作成するモデルのタイプが決まります。
画像セグメンテーションモデルのラベル付けは、画像分類モデルへのラベル付けよりも複雑です。セグメンテーションモデルをトレーニングするには、トレーニングイメージを正常または異常として分類する必要があります。また、異常画像ごとに異常マスクと異常タイプを定義する必要があります。分類モデルでは、トレーニング画像が正常か異常かを識別するだけで済みます。
モデルを作成する
モデルを作成する手順は、プロジェクトの作成、データセットの作成、モデルのトレーニングです。
プロジェクトの作成
作成したデータセットとモデルを管理するためのプロジェクトを作成します。プロジェクトは、単一タイプの機械部品の異常を検出するなど、単一のユースケースに使用する必要があります。
ダッシュボードを使用して、プロジェクトの概要を確認できます。詳細については、「Amazon Lookout for Vision ダッシュボードを使用する」を参照してください。
詳細情報:プロジェクトを作成する。
データセットを作成します。
Amazon Lookout for Vision でモデルをトレーニングするには、ユースケースに応じた正常オブジェクトと異常オブジェクトの画像が必要です。これらの画像はデータセットで提供します。
データセットとは、画像とその画像を説明するラベルの集合のことです。画像は、異常が発生する可能性のある単一のタイプのオブジェクトを表している必要があります。詳細については、「データセットの画像の準備」を参照してください。
Amazon Lookout for Vision では、シングルデータセットを使用するプロジェクトを作成したり、個別のトレーニングデータセットとテストデータセットを持つプロジェクトを作成できます。トレーニング、テスト、およびパフォーマンスチューニングをより細かく制御する必要がある場合を除き、単一のデータセットプロジェクトを使用することをお勧めします。
データセットは、画像をインポートして作成します。画像のインポート方法によっては、画像にラベルが付けられる場合もあります。そうでない場合は、コンソールを使用して画像にラベル付けします。
画像のインポート
Lookout for Vision コンソールでデータセットを作成する場合、次のいずれかの方法で画像をインポートできます。
-
ローカルコンピュータから画像をインポートします。画像にはラベルが付いていません。
-
S3 バケットから画像をインポートします。Amazon Lookout for Vision では、画像を含むフォルダー名を使用して画像を分類できます。
normal通常の画像に使用します。anomaly異常な画像に使用します。セグメンテーションラベルを自動的に割り当てることはできません。 -
Amazon SageMaker Ground Truth マニフェストファイルをインポートします。マニフェストファイル内の画像にはラベルが付けられます。独自のマニフェストファイルを作成してインポートできます。画像が多い場合は、 SageMaker Ground Truth ラベリングサービスの使用を検討してください。次に、Amazon SageMaker Ground Truth ジョブから出力マニフェストファイルをインポートします。
画像にラベルを付ける
ラベルは、データセット内の画像を説明するものです。ラベルは、画像が正常か異常（分類）かを指定します。ラベルには、画像上の異常箇所 (セグメンテーション) も記述されます。
画像にラベルが付いていない場合は、コンソールを使用して画像にラベルを付けることができます。
データセット内の画像に割り当てるラベルによって、Lookout for Vision が作成するモデルのタイプが決まります。
イメージ分類
画像分類モデルを作成するには、Lookout for Vision コンソールを使用して、データセット内の画像を正常または異常として分類します。
CreateDatasetこの操作を使用して、分類情報を含むマニフェストファイルからデータセットを作成することもできます。
画像セグメンテーション
画像セグメンテーションモデルを作成するには、Lookout for Vision コンソールを使用して、データセット内の画像を正常または異常として分類します。また、画像上の異常領域 (存在する場合) のピクセルマスクと、個々の異常マスクの異常ラベルも指定します。
CreateDatasetこの操作を使用して、セグメンテーションと分類情報を含むマニフェストファイルからデータセットを作成することもできます。
プロジェクトに個別のトレーニングデータセットとテストデータセットがある場合、Lookout for Vision はトレーニングデータセットを使用してモデルのタイプの学習と決定を行います。テストデータセットの画像にも同じ方法でラベルを付ける必要があります。
詳細:データセットの作成。
モデルをトレーニングする
トレーニングは、モデルを作成し、画像内の異常の存在を予測するようにトレーニングします。モデルをトレーニングするたびに、モデルの新しいバージョンが作成されます。
トレーニングのスタート時に、Amazon Lookout for Vision は、モデルのトレーニングに最適なアルゴリズムを選択します。モデルはトレーニングされ、テストされます。ではAmazon Lookout for Vision の使用を開始する、シングルデータセットのプロジェクトでトレーニングを行い、データセットを内部で分割し、トレーニングデータセットとテストデータセットを作成します。個別のトレーニングデータセットとテストデータセットを持つプロジェクトを作成することもできます。この設定では、Amazon Lookout for Vision はトレーニングデータセットを使用してモデルをトレーニングし、テストデータセットでモデルをテストします。
モデルを正常にトレーニングするのにかかる時間に対して課金されます。
詳細情報:モデルのトレーニング。
モデルの評価
テスト中に作成されたパフォーマンスメトリックを使用して、モデルのパフォーマンスを評価します。
パフォーマンスメトリクスにより、トレーニングしたモデルのパフォーマンスをより深く理解し、実運用で使用する準備ができたかどうかを判断することができます。
詳細:モデルの改良。
パフォーマンスメトリクスの結果、改善が必要な場合は、新しい画像で検出タスクを試行することにより、トレーニングデータを追加することができます。タスクが完了したら、結果を確認し、検証済みの画像をトレーニングデータセットに追加できます。または、新しいトレーニング画像をデータセットに直接追加することもできます。次に、モデルを再トレーニングし、パフォーマンスメトリックを再確認します。
モデルを使用する
AWSモデルをクラウドで使用する前に、StartModelモデルをオペレーションで開始します。コンソールからモデルの StartModel CLI コマンドを取得できます。
詳細情報:モデルの開始。
トレーニング済みの Amazon Lookout for Vision モデルは、入力された画像に正常なコンテンツまたは異常なコンテンツが含まれているかどうかを予測します。モデルがセグメンテーションモデルの場合、予測には異常が見つかったピクセルをマークする異常マスクが含まれます。
モデルで予測を行うには、DetectAnomaliesローカルコンピュータからオペレーションを実行し、入力画像を渡します。DetectAnomalies を呼び出す CLI コマンドは、コンソールから取得することができます。
詳細情報:画像内の異常を検出する。
モデルの稼働時間に応じて課金されます。
モデルを使用しなくなった場合は、StopModelオペレーションを使用してモデルを停止します。CLI コマンドは、コンソールから取得できます。
詳細情報:モデルを停止する。
モデルをエッジデバイスで使用する
Lookout for VisionAWS IoT Greengrass Version 2 モデルはコアデバイスで使用できます。
詳細:エッジデバイスで Amazon Lookout for Vision モデルを使用する。
ダッシュボードを使用する
ダッシュボードを使用して、すべてのプロジェクトの概要と個々のプロジェクトの概要情報を取得できます。
詳細:ダッシュボードを使用してください。
