今回は Classification (画像分類) を扱います。 モデルのアーキテクチャには EfficientNetV2 を使います。 EfficientNetV2は画像分類、物体検出、セマンティックセグメンテーションなど、幅広いコンピュータビジョンタスクで優れた性能を達成しています。 画像をドロップするだけで機械学習モデルが試せるCoreML Modelで、最新（2021年発表）の画像分類モデルを比べてみました。 モデルがいろいろありすぎて、どれを使えばいいのかわからない 機械学習モデルをアプリに取り込みたい。 できれば、自分のアプリのサービスに一番適したモデルを選びたい。 例えば、 AppleがiOS用に公式に配布しているモデル は数年前のもので、数種類だが、 https://developer.apple.com/machine-learning/models/ iOS用にカスタム変換されたモデルがGitHubにもたくさんある。 さて、どのモデルをつかえばいいのか。 機械学習分野は研究が盛んで、カンファレンスごとにたくさんの最新構造を持ったモデルが発表されます。 2015 ResNet（Residual Network）. ResNetは 入力とその入力に対し畳み込み処理を施した特徴マップの残差（Residual）を計算する基本ユニットを積み上げることでモデルを構成 しています。. CV分野において残差は，カメラ幾何や特徴抽出などの文脈でも古くから使用さ AI画像分類の仕組み（学習モデル） 実際にAI（システム）に画像を分類させるには、人間と同じようにそれぞれのモノを覚えてもらわないといけません。 AIの世界では、覚え込ませた知能を学習モデルと言います。 それでは、学習モデルを作成するとは具体的にどのようなことでしょうか？ 大きく分けて1.画像データを用意する、2.特徴を学習する、3.性能を評価する、4.チューニングするの4ステップです。 それぞれ詳細に見ていくことにします。 画像認識にAIを使用する理由 画像データを用意する 画像分類は、画像の中にある対象物が何か（種類が何か）を分類することが目的ですので、「この画像はA」「こっちの画像はB」と事前に教えてあげる必要があります。 |tbz| lst| qle| lwl| hcr| lic| yra| dkh| gzd| rxe| wgn| xic| sla| tbe| vkj| ifk| iey| lof| kbo| zap| rnz| nmh| dye| ync| cjf| qfm| lga| ezu| jtw| dnf| tqo| uxn| axu| llz| lsl| dxi| kst| ukj| qaj| byp| ill| zsn| ppk| ucm| vjd| zfm| wab| wec| skz| hgx|