Amazon Rekognition カスタムラベルモデルの改善 - Rekognition

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 Rekognition カスタムラベルモデルの改善

機械学習モデルのパフォーマンスは、カスタムラベル (関心のある特定のオブジェクトやシーン) の複雑さと多様性、提供するトレーニングデータセットの質と代表力、モデルフレームワークと機械学習などの要因に大きく依存します。モデルのトレーニングに使用される方法。

Amazon Rekognition カスタムラベルを使用すると、このプロセスが簡単になり、機械学習の専門知識は必要ありません。ただし、優れたモデルを構築するプロセスには、多くの場合、データを繰り返し処理して目的のパフォーマンスを実現するためのモデルの改善が含まれます。以下は、モデルを改善する方法に関する情報です。

データ

一般に、大量の高品質データを使用するとモデルの品質を向上できます。対象物やシーンがはっきりと写っていて、気にならないものが散らかっていないトレーニング画像を使用してください。オブジェクトを囲むバウンディングボックスには、オブジェクトが完全に見え、他のオブジェクトに遮られていないことを示すトレーニングイメージを使用してください。

トレーニングデータセットとテストデータセットが、最終的に推論を実行する画像のタイプと一致していることを確認してください。いくつかのトレーニング例しかないロゴなどのオブジェクトでは、テスト画像のロゴの周りにバウンディングボックスを設ける必要があります。これらの画像は、オブジェクトをローカライズするシナリオを表している、または描写しています。

トレーニングまたはテストデータセットに画像を追加するには、「」を参照してください。データセットへの画像の追加

誤検出の削減 (精度の向上)

  • まず、想定される閾値を大きくすることで、誤検出を排除しながら正しい予測を維持できるかどうかを確認します。ある時点では、特定のモデルの精度と再現率のトレードオフにより、この効果は低下します。ラベルに想定される閾値を設定することはできませんが、高い値を指定しても同じ結果が得られます。MinConfidence入力パラメータDetectCustomLabels。詳細については、「トレーニング済みモデルを使用して画像を解析する」を参照してください。

  • 1 つまたは複数のカスタムラベル (A) が、常に同じクラスのオブジェクト (ただし関心のあるラベルではない) と混同されることがあります (B)。役立つように、トレーニングデータセットにオブジェクトクラスラベルとしてBを追加してください(誤検出された画像と一緒に)。つまり、新しいトレーニングイメージを通じて、モデルが A ではなく B を予測する方法を学習できるよう支援することになります。トレーニングデータセットに画像を追加するには、データセットへの画像の追加

  • モデルが 2 つのカスタムラベル (A と B) で混同されていることに気付くかもしれません。ラベル A のテスト画像はラベル B と予測され、その逆も同様です。この場合は、まず、トレーニングセットとテストセット内の画像のラベルが間違っていないかを確認します。データセットギャラリーを使用して、データセットに割り当てられたラベルを管理します。詳細については、「ラベル」を参照してください。また、この混乱を反映したトレーニングイメージをさらに追加すると、再トレーニングされたモデルが A と B をより正確に区別できるようになります。トレーニングデータセットにイメージを追加するには、データセットへの画像の追加

誤検出の削減(リコール率の向上)

  • 想定される閾値には低い値を使用してください。ラベルに想定される閾値を設定することはできませんが、より低い値を指定しても同じ結果が得られますMinConfidence入力パラメータDetectCustomLabels。詳細については、「トレーニング済みモデルを使用して画像を解析する」を参照してください。

  • より適切な例を使用して、オブジェクトとそれらが登場する画像の両方の多様性をモデル化してください。

  • ラベルを覚えやすい2つのクラスに分けてください。たとえば、良いクッキーと悪いクッキーの代わりに、モデルがそれぞれのユニークな概念をよりよく理解できるように、良いクッキー、焦げたクッキー、壊れたクッキーが欲しいかもしれません。