Amazon Lookout for Visionで
 筆跡鑑定してみた
 2022-08-04(木)
 データアナリティクス事業本部　中村
 1

◆nakamura.shogo ◆2022年2月入社 ◆データアナリティクス事業本部機械学習チーム所属 ◆やっていること： 機械学習案件の分析・環境構築、論文読み 最近読んだ論文はYOLOv7で、ブログにもしてます https://dev.classmethod.jp/articles/yolov7-train-with-customize-dataset/ https://dev.classmethod.jp/articles/yolov7-architecture-overall/ 2 自己紹介

◆Amazon Lookout for Visionとは 　　・概要と主なフロー ◆自作データセットでの検証 　　・署名を私自身かそれ以外かを判定するタスク ◆その他補足情報 　　・検証を進める中で気づいた点などなど 3 今日のお話

4 Amazon Lookout for Visionとは

◆Amazon Lookoutシリーズの一つ ◆どんなものか？ ・画像の異常検知ができるマネージドサービス ・一連の作業がマネジメントコンソール上で可能 ・データ準備(ラベル付け)⇒学習⇒推論⇒再学習 ◆対応リージョン ・us-east-1, us-east-2, us-west-2 ・ap-northeast-1, ap-northeast-2 ・eu-central-1, eu-west-1 5 Amazon Lookout for Visionとは

◆フロー ・リージョンで初回使用時のみコンソールバケットを作成 ・プロジェクト作成 ・プロジェクトにデータセットを作成し、画像をアップロード ・データはコンソールバケットに保存 projects//assets/images//*.jpg ・ラベル付けを実行（GUIで作業可能） ・この時点では、ラベル付け結果は保存されない ・トレーニング実行 ・結果がコンソールバケットに保存（結果ログのみ） projects//models/EvaluationManifest--.json projects//models/EvaluationResult--.json 6 Amazon Lookout for Visionとは コンソールバケット作成 プロジェクト作成 データセット作成 画像データのアップロード ラベル付け トレーニング実行 トライアル推論 推論結果の検証（ラベル付け）

◆フロー ・トライアル推論（バッチ推論） 　 ・結果はコンソールバケットに保存 projects//assets/images//*.jpg projects//trial-detections/TrialDetectionInputManifest--.manifest projects//trial-detections/TrialDetectionManifest-.json ・推論結果の検証（ラベル付け） ・チェック結果はコンソールバケットに保存 projects//trial-detections/patches//patch.manifest ・チェック済のデータは次回のトレーニングに 　自動的に使用される 　　 7 Amazon Lookout for Visionとは コンソールバケット作成 プロジェクト作成 データセット作成 画像データのアップロード ラベル付け トレーニング実行 トライアル推論 推論結果の検証（ラベル付け）

◆その他の機能 ・推論エンドポイント ・エッジ推論 AWS IoT Greengrassによりエッジへのデプロイが可能（今回は使用しないため詳細略） ◆費用（S3の費用を除く） ・トレーニング計算時間 ・推論エンドポイント ・エッジ推論ユニット ◆手っ取り早くやってみたい場合 ・公式で回路基盤のデータセットがある ・train, testともに40枚(正常:20, 異常:20)のデータ https://github.com/aws-samples/amazon-lookout-for-vision/tree/main/circuitboard 8 Amazon Lookout for Visionとは コンソールバケット作成 プロジェクト作成 データセット作成 画像データのアップロード ラベル付け トレーニング実行 トライアル推論 推論結果の検証（ラベル付け）

9 自作データセットで検証

◆必要な最低限データ数の把握 ・データセット構成により必要数が異なる ・全てのデータはの同一解像度である必要がある ・最小解像度は64x64、最大解像度は4096x4096。 10 自作データセットでの検証 データセットの構成 正例 負例 単一データセット train ≧20 ≧10 複数データセット train ≧10 条件なし test ≧10 ≧10

◆「中村」を書いたデータを収集 ・１枚の紙に中村を何回か書いてもらった ・所感 ・本人が書いても結構ばらつきがある ・撮影データを切り出す場合の位置が悩み ・位置やサイズ調整、色調整などの前処理が必要な印象 11 自作データセットでの検証

◆前処理の実施 ・文字位置の検出（OpenCVでの輪郭検出） ・輪郭が同じサイズとなるようにリサイズ ・グレースケール化 ・コントラスト調整（Min-max正規化） 12 自作データセットでの検証 【詳細は弊社ブログに公開】 【機械学習の前処理】 OpenCVを使って文字位置を切り 出して色調整してみた https://dev.classmethod.jp/articles/opencv-preprocess- for-ml-training/

◆今回のデータセットの集計結果 ・複数データセット(train/test)の構成を使用 ・推論テスト用に未使用データを一部残す(test2と呼ぶ) 13 自作データセットでの検証 正例 負例 train 20 24 test 10 14 test2(未使用データ) 10 13 合計 40 51

14 さて、結果は…？

◆学習結果　⇒test2の結果を見る限りある程度分類できていそう ・評価指標はいつものprecision/recall recall：「全部拾えたんだっけ？」　precision：「テキトーなこと言ってないよね？」 ・正規化ありなしで比較してみた ・testは100%の性能になるため、学習時に多少参照されていそう（完全なOPENではない） ・test2を見ると正規化ありのほうがバランスが良い（ただし試行毎に結果が変わる） 15 自作データセットでの検証 使用したデータ⇒ test precision test recall test2 precision test2 recall 正規化なし 100%(14/14) 100%(14/14) 100%(7/7) 53.8%(7/13) 正規化あり(Minmax) 100%(14/14) 100%(14/14) 81.8%(9/11) 69.2%(9/13)

16 その他補足情報

◆学習時間について ・今回のデータセット規模では、学習時間は1時間以内に収まる傾向 ・データセット規模に依存するかどうかは未検証 ・数十オーダーでデータ規模を増やしても学習時間に変化なし ◆トライアル推論（バッチ推論）の検証 ・マネコンで推論結果を検証可能 ・検証済みのサンプルが自動でデータセットに組み込まれるため注意が必要 ・検証済みデータは推論結果も上書きされる 17 その他補足情報

◆再現性について ・同じデータセットでもトレーニング結果は異なる ・正確な性能比較を実施するには試行が必要 ◆位置ずれへの頑健性 ・画像の異常検知モデルは一般的に位置ずれに弱い可能性 　（PaDiMなども位置ずれに弱い） ・前処理やデータ取得時にある程度先読みして考慮が必要 18 その他補足情報

◆AWS CLIでの構築 ・AWS CLIのAPIはとてもシンプル ・Manifestファイル(JSON)等を手動で作成が必要 ◆Lookout for Vision専用のSDKについて ・「pip install lookoutvision」でインストール可能 ・コードはAWS CLIで構築する際の参考の実装にすることも可能 19 その他補足情報

◆Amazon Lookout for Visionの新機能 ・2022-07-29頃のアップデートでセグメンテーションモデルに対応 ・セグメンテーションモデルの場合、異常の種類にも対応 ・マネコン上でも、上記のアノテーションが可能となっている ・新しいデータセットとして「toy aliens dataset」が公開されている 20 その他補足情報 【アップデート】 https://aws.amazon.com/jp/about-aws/whats-new/2 022/07/amazon-lookout-vision-anomaly-localization- cpu-inference-edge/ 【上記に関するAWSブログ】 https://aws.amazon.com/jp/blogs/machine-learning/i dentify-the-location-of-anomalies-using-amazon-loo kout-for-vision-at-the-edge-without-using-a-gpu/

21 ぜひお試しください！ おしまい