検品画像ごとに「正常」「異常」のカテゴリを付けたい。別の出力として、画像内の各欠陥の種類と、それを囲む矩形の位置が必要である。
欠陥の輪郭を画素単位で塗り分けるマスクは、今回の要求に含まれない。画像全体の判定と、対象ごとの位置を区別する。
要求する出力に対応する説明を2つ選べ。
画像分類は画像へのカテゴリ付与、物体検出は対象の種類と矩形位置、セグメンテーションは画素単位の領域を扱う。画像レベルの成績だけで位置推定の品質を保証しない。
詳細解説
矩形は対象を囲む範囲を表す。画素ごとの領域を扱うセグメンテーションのマスクと同一ではない。
対象のクラスとバウンディングボックスを出力するタスクが、この位置情報の要件に対応する。
カテゴリの正解率だけでは位置のずれや見逃した欠陥を測れない。要求した出力に対応する正解と評価を用意する。
画像にラベルを付けるタスクであり、そのラベルだけから各欠陥の矩形位置が得られるとは限らない。
画像レベルのラベルと対象ごとの座標は別の出力である。画像が異常だと分かることだけでは、どこに何があるかは確定しない。
公式資料で確認する
以下の項目を公式資料の記述と照合して確認します。
SageMaker AIの画像分類・物体検出・セグメンテーションの出力説明を比較する。架空の検品画像に対して画像ラベル、対象ごとの矩形、画素マスクを描き、今回必要な出力を対応付ける。
参考にした公式資料
確認できる内容
画像全体のカテゴリ、対象ごとの矩形、画素ごとのマスクを区別できる。カテゴリの正解率だけで位置精度を報告しない。実モデルの推論や精度測定は行わない。
理解のポイント
- 画像レベルのラベル
- 対象ごとの矩形
- 画素マスク
- 出力別の評価
確認時の注意
- 確認環境: 現行AIF-C01 Task1.1と関連するAWS一次資料の確認。架空の例で概念を比較し、実モデルの訓練・推論は行わない。
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
判定の単位を区別する
画像全体が異常かを知ることと、複数の欠陥それぞれの種類と位置を知ることは異なる。利用するモデルの名称だけでなく、実際に返る出力を確認する。
矩形と画素領域を分ける
矩形で囲む出力は輪郭に一致するマスクではない。本問は矩形を要求しているが、将来の要件が画素ごとの面積や輪郭へ変われば、必要な出力を見直す。
出力に合う正解で確かめる
画像ラベルの正解だけでは各欠陥の位置を評価できない。位置の正解とのずれや欠陥の見逃しを確認し、画像分類の成績をそのまま位置推定の成績に置き換えない。