メインコンテンツへスキップ
見出し画像

はじめての画像認識

    皆さん、こんにちは。今回の動画では「はじめての画像認識モデル構築」と題しまして、人工知能がどのようにして画像を認識するのか、その仕組みをステップ・バイ・ステップで一緒に学んでいきましょう。皆さんは、スマートフォンの顔認証や郵便番号の自動読み取りなどを見て、「コンピュータはどうやって文字や画像を見分けているんだろう?」と不思議に思ったことはありませんか?今回は、機械学習の世界で最も有名な「MNIST(エムニスト)」という手書き数字のデータを使って、AIモデルをゼロから作る方法を解説します。プログラミング初心者の方でも直感的に理解できるよう、丁寧に進めていきますので、ぜひ最後までお付き合いください。

    画像

    まずは、今回私たちが進めていくAI構築の全体像、5つのステップを確認しておきましょう。AIを作るというと少し難しく聞こえるかもしれませんが、実は料理の手順とよく似ています。第1ステップは、食材を集めて下ごしらえをする「データの準備」です。第2ステップは、レシピ通りに器を組み立てる「モデル構築」。第3ステップは、調理のルールを決める「コンパイル」です。そして第4ステップで、実際に火を通して味見をする「学習と評価」を行い、最後の第5ステップで、誰でも使える「推論モデルの完成」へと至ります。この5つの流れを頭に入れておくと、今自分が何をしているのか迷わずに進めることができますよ。

    画像

    次に、今回使用する2つの重要なツール、「TensorFlow(テンソルフロー)」と「Keras(ケラス)」の関係についてお話しします。これらを一言で例えるなら、自動車の「エンジン」と「運転席」の関係です。TensorFlowは、裏側で膨大な計算を高速にこなす、高出力なエンジンの役割を果たしています。しかし、エンジンを直接手で動かすのは大変ですよね。そこで登場するのがKerasです。Kerasは、運転席のハンドルやアクセルのように、私たちが直感的に操作できるインターフェースを提供してくれます。このKerasを使うおかげで、複雑な数学の計算式を自分で書かなくても、ブロックを組み立てるように楽しくAIを作ることができるのです。

    画像

    それでは、ステップ1「素材の準備」に入りましょう。ここで使う「MNIST」は、機械学習の世界における「Hello World」、つまり誰もが最初に通る入門用のデータセットです。この中には、0から9までの手書きの数字の画像が、練習用に6万枚、実力テスト用に1万枚も収録されています。ここで重要なのが、コンピュータにとって画像とは「絵」ではなく「数字の並び」だということです。右の図を見てください。縦28マス、横28マスのグリッドの中に、0から255までの数字が並んでいますよね。白い部分は0、黒く塗られた部分は255に近い大きな数字になっています。コンピュータはこの数字の並びを見て、形を認識しているのです。

    画像

    データの構造がわかったところで、学習を始める前にひとつ大切な下ごしらえを行います。それが「データの正規化」です。先ほど、画像の各マスには0から255までの数字が入っているとお話ししました。しかし、ニューラルネットワークにとって、255という大きな数字は少し扱いにくく、そのまま計算すると学習が不安定になってしまうことがあります。そこで、すべてのデータを「255.0」で割り算してあげます。すると、すべての数字が0.0から1.0までの小さな範囲にピタッと収まりますよね。このように数字のスケールを揃えてあげることで、AIの計算がグッと安定し、画像の特徴を効率よく学習できるようになるのです。

    画像

    データの準備が整いましたので、次はステップ2、AIの頭脳にあたる「モデル構造の設計」に進みましょう。ここではKerasの「Sequential(シーケンシャル)API」という仕組みを使います。シーケンシャルとは「順番に並んだ」という意味です。右側のイラストのように、役割の異なる4つの層を上から下へ、まるでレゴブロックを積み重ねるように順番に繋げていくだけで、ネットワークが完成します。左側のプログラムコードを見ていただくと、わずか数行で書けているのがわかりますよね。それぞれの層が具体的にどのような働きをしているのか、次のスライドから2つに分けて詳しく見ていくことにしましょう。

    画像

    まずは、モデルの入り口となる最初の2つの層、「Flatten(フラットン)」と「Dense(デンス)」についてです。最初にあるFlatten層は、縦28×横28の平面になっている画像データを、784個の数字が並んだ「1列の長いデータ」に引き伸ばす役割を持っています。ネットワークの入り口に通しやすい形に整えるわけですね。続くDense層は、128個のノードがすべてのデータと結びつき、画像の特徴を抽出します。ここで使われている「ReLU(レル)関数」は、マイナスの値をすべてゼロにし、プラスの値だけを通すフィルターのようなものです。この仕組みがあるおかげで、AIは単なる直線的な計算だけでなく、複雑な文字のパターンを学習できるようになります。

    画像

    続いて、後半の2つの層、「Dropout(ドロップアウト)」と最終出力の「Dense(デンス)」を見ていきましょう。皆さんはテスト勉強をするとき、問題集の答えを丸暗記してしまい、本番の応用問題が解けなかったという経験はありませんか?AIも同じで、練習データだけを丸暗記してしまう「過学習」という現象が起きることがあります。これを防ぐのがDropout層です。学習中にあえて20%の通信をランダムにお休みさせることで、特定のパターンに頼りすぎるのを防ぎ、応用力を鍛えます。そして最後のDense層には、0から9までの10個の出口が用意されており、ここに各数字に対する最終的な判定スコアが出力される仕組みになっています。

    画像

    ここでひとつ、非常に重要な専門用語「ロジット(Logits)」について補足しておきます。先ほどの最終出力層から出てきた10個の数字を実際に見てみると、スライドの中央にあるように、マイナス0.388やプラス0.815といった、一見すると不思議な小数が並んでいます。この段階では、一番数値が高いインデックス9、つまり「数字の9」が一番有力だとわかります。しかし注意していただきたいのは、これはまだ「パーセント(確率)」ではないということです。マイナスの値も含まれていますし、10個の数字を全部足しても100%にはなりません。このように、AIが計算したままの「生の確信度スコア」のことを、専門用語でロジットと呼びます。

    画像

    モデルの形ができましたので、次はステップ3、学習のルールを設定する「コンパイル」を行います。ここでは3つの重要な要素を指定します。1つ目は「Optimizer(オプティマイザ)」、今回はAdamという手法を使います。これは誤差を減らすようにAIの内部調整を行い、効率よく正解へ導くエンジンの役割です。2つ目は「Loss(損失関数)」です。AIの予測と実際の正解がどれくらいズレているかを測り、進むべき方向を示すコンパスになります。そして3つ目が「Metrics(評価指標)」です。今回は正解率を表すAccuracyを指定しています。これは私たちが「今どれくらい賢くなったかな?」と確認するためのスピードメーターのようなものです。

    画像

    ルールが決まったら、いよいよステップ4、モデルに勉強をさせる「学習」のフェーズです。プログラムでは「model.fit」という命令を使います。ここで「epochs=5(エポック5)」と指定していますが、エポックとは「6万枚の練習問題を何周繰り返して解くか」という回数のことです。グラフを見ていただくと、1周目、2周目とエポックを重ねるごとに、青い棒グラフの「誤差(Loss)」がどんどん減り、逆にオレンジ色の折れ線グラフである「正解率(Accuracy)」が右肩上がりに伸びているのがわかりますね。5周目が終わる頃には、練習問題に対して約97.7%という非常に高い正解率を達成するまでに成長しました。

    画像

    さて、練習問題で高得点が取れたからといって、まだ安心はできません。本当に実力がついたのか、ステップ4の後半として「モデルの評価」を行います。ここでは、学習には一度も使っていない1万枚のテスト用データ、つまりAIにとって「生まれて初めて見る初見の問題集」を解かせてみます。結果はどうでしょうか。スライドの右側にある通り、正解率は「97.67%」という素晴らしいスコアが出ました。練習問題だけでなく、初めて見る手書き数字に対しても、ほぼ98%近い確率で正しく読み取れることが証明されたわけです。先ほど設定したDropoutのおかげで、丸暗記ではなく、数字の特徴をしっかり理解できていることがわかりますね。

    画像

    これでAIの頭脳は完成しましたが、実際にアプリなどで使う前にもう一工夫加えましょう。スライド9で、モデルの出力は「ロジット」という生のスコアのままだとお話ししましたね。これを人間が見てパッと理解できる「確率」に変換するのが、この「Softmax(ソフトマックス)関数」です。マイナスを含んでいたバラバラなスコアをこのSoftmax関数に通すと、すべての値が0.0から1.0の間に綺麗に整えられ、しかも10個の数字を全部足すとピッタリ1.0、つまり100%になるように変換されます。これによって、「この画像は80%の確率で9です」といったように、私たちが直感的に納得できる形で結果を受け取れるようになるのです。

    画像

    それでは最後の仕上げ、ステップ5「推論用モデルの完成」です。やり方はとてもシンプルです。先ほどまで一生懸命トレーニングして賢くなったモデルの下に、前のスライドで解説した「Softmax」のブロックをカチッと連結してあげるだけです。図のように、訓練済みのモデルブロック群とSoftmaxモジュールをひとつの新しいSequentialモデルとしてまとめることで、手書きの数字画像を入力すると、ダイレクトに「0から9のどの数字である確率が何パーセントか」を出力してくれる完全なパッケージが完成します。これなら、実際のスマートフォンアプリやWebサービスにも、そのまま部品としてすぐに組み込むことができますよね。

    画像

    最後に、今回のまとめとネクストステップについてお話しします。今回は、データの正規化から始まり、Sequential APIでのモデル構築、コンパイル、学習と評価、そしてSoftmaxによる確率変換という5つのステップで、97%以上の精度を持つ画像認識AIを作りました。さらにワクワクするお話として、今回作ったようなコンパクトなAIモデルは、パソコンの中だけでなく、「ESP32」のような小さなマイコンの中に直接組み込むことができます。これを「エッジAI」や「TinyML」と呼びます。AIがパソコンを飛び出し、皆さんの手元の電子工作やセンサーの中で直接動く時代がもう来ています。ぜひ皆さんも、ここから一歩ずつAI開発に挑戦してみてくださいね!

    これ以降の記事には、サンプルコードと動画が含まれています。

     
     
    こんにちは、ITオタクのrock204です。 趣味はmicro:bit,scratch,pythonなどの情報を集めることです。 これらに興味のある人と情報を共有したいと思います。 よろしくお願いします。

    あなたへのおすすめ