AI実装

YOLOv5をはじめとするディープラーニングをつかった物体検出は、物体の位置とクラスを検出するアルゴリズムです。これに加えて「物体の数」をリアルタイムに把握するためカウンターをつけてみました。いろいろなモノでカウンターを試してみて使い道を考察してみます。

スマホやデジカメをつかって気軽に写真や動画を撮ると思いますが、余計なモノも一緒に写ってしまった、なんてことはよくあると思います。今回はディープラーニングをつかってそれらを消してしまうInpaintingをやってみようと思います。pixelの消しゴムマジックみたいな感じです！

トマトの画像を収穫時期毎に多クラス分類するセマンティックセグメンテーションを紹介します。Segmentation modelsを用いるのですが、TensorFlow1.x系のコードからTensorFlow2.x系へコード変換して実装しています

YOLOv5をつかっていろいろな作物を物体検出してきました。今回はバウンディングボックスの数を数えて画像or動画へ直接表示させるようにPythonスクリプトを変更していきます。作物の栽培にとって大切な収穫量の目安として役立つと思います。

Grad-CAMは畳み込みニューラルネットワーク（CNN）で学習したモデルがどこに着目しているかを可視化する手法です。CNNは強力なツールである反面、何を根拠としているか見えません。CNNに信頼性を持たせるための可視化手法としGrad-CAMをつかいます。

過学習したEfficientNetモデルの対策として、学習データへData Augmentation（データ拡張、データの水増し）を適用します。Data Augmentation手法としてMixup、Random Erasingを適用し効果を比較していきます。

稲をよく観察すると籾（もみ）に黒い斑点があることがあります。このような状態の籾を分類したいのですが籾は元画像に対しすごく小さいので、分類し易くするためYOLOv5で検出した籾の画像を切り出し、EfficientNetをつかって分類してみようと思います。

YOLOv5を使って稲（米）の独自画像を用いた物体検出を実施します。対象が小さく数も多いので学習が難しいモデルとなるため、遺伝的アルゴリズムを用いたハイパーパラメータチューニングを実施し最適条件での学習を実施しました。

独自の画像（動画）を使ったインスタンスセグメンテーション（Instance Segmentation）に挑戦してみようと思います。YolactというYoloから派生したモデルを使って、独自のトマト画像を学習させAIをつくっていきます。

StyleGAN2の実装には、TensorFlow1.X系が必要でありGPU：RTX3000シリーズの方は非常に使いずらい仕様となっていました。そんな方々に朗報です。NNablaを使うことで簡単にStyleGAN2の画像生成を試すことができます！