ソリューションのアイデア
このアーティクルはソリューションのアイデアです。 このコンテンツにさらに多くの情報 (想定されるユース ケース、代替サービス、実装に関する考慮事項、価格ガイダンスなど) の掲載をご希望の方は、GitHub のフィードバックでお知らせください。
畳み込みニューラル ネットワーク (CNN) を使用して、大量の画像を効率的に分類し、画像内の要素を識別します。
Architecture
このアーキテクチャの Visio ファイルをダウンロードします。
データフロー
- Azure Blob Storage に画像がアップロードされると、Azure Machine Learning に取り込まれます。
- このソリューションは教師あり学習のアプローチに従っており、モデルをトレーニングするためにデータのラベル付けが必要なので、取り込まれた画像は Machine Learning 内でラベル付けされます。
- Machine Learning ノートブックで、CNN モデルがトレーニングおよび検証されます。 いくつかの事前トレーニング済みの画像分類モデルを利用できます。 これらは、転移学習アプローチを使用して使用できます。 事前トレーニング済みの CNN の一部のバリエーションについては、「畳み込みニューラル ネットワークを使用した画像分類の進歩」を参照してください。 これらの画像分類モデルをダウンロードし、ラベル付きデータでカスタマイズできます。
- トレーニング後、モデルは Machine Learning のモデル レジストリに格納されます。
- モデルはバッチ マネージド エンドポイントを通じてデプロイできます。
- モデルの結果は Azure Cosmos DB に書き込まれ、フロントエンド アプリケーションで使用されます。
コンポーネント
- Blob Storage は、Azure Storage に含まれるサービスです。 Blob Storage では、大量の非構造化データに対して最適化されたクラウド オブジェクト ストレージを提供します。
- Machine Learning は、機械学習モデルのトレーニング、デプロイ、自動化、管理、追跡に使用できるクラウドベースの環境です。 モデルを使用して、将来の動作、結果、および傾向を予測できます。
- Azure Cosmos DB は、グローバル分散型のマルチモデル データベースです。 Azure Cosmos DB により、ソリューションは、任意の数の地理的リージョンにまたがってスループットとストレージを弾力的にスケーリングできます。
- Azure Container Registry では、コンテナー イメージを構築、保存、管理し、コンテナー化された機械学習モデルを保存できます。
シナリオの詳細
モノのインターネット (IoT) や AI などのテクノロジの台頭に伴い、世界で大量のデータが生成されています。 データから関連情報を抽出することは、大きな課題となっています。 画像分類は、画像が表すものを識別する関連ソリューションです。 画像分類は、大量の画像をカテゴリー化するのに役立ちます。 畳み込みニューラル ネットワーク (CNN) は、画像データセットに対して優れたパフォーマンスを発揮します。 CNN は、最先端の画像分類ソリューションの開発において大きな役割を果たしてきました。
CNN には、次の 3 種類の主なレイヤーがあります。
- 畳み込みレイヤー
- プーリング層
- 完全に接続された層
畳み込みレイヤーは、畳み込みネットワークの最初のレイヤーです。 このレイヤーは、別の畳み込みレイヤーまたはプーリング レイヤーの後になることもあります。 一般に、完全接続レイヤーは、ネットワーク内の最後のレイヤーです。
レイヤーの数が増えると、モデルの複雑さが増し、モデルで識別できる画像の部分が大きくなります。 先頭のレイヤーは、エッジなどのシンプル フィーチャに対象が絞られます。 画像データが CNN のレイヤーを通過するにつれて、ネットワークはオブジェクトのさらに複雑な要素またはシェイプの認識を開始します。 最終的に、想定されるオブジェクトを識別します。
考えられるユース ケース
- このソリューションは、人間のオペレーターのみに依存するよりも望ましい、失敗の検出の自動化に役立ちます。 たとえば、このソリューションは、欠陥のある電子部品を特定することで生産性を向上させることができます。 この機能は、製造におけるリーン生産、コスト管理、および無駄の削減に重要です。 回路基板の製造では、基板に欠陥があると、製造者に出費や生産性低下をもたらす場合があります。 組立ラインでは、組立ラインのテスト マシンによって欠陥の可能性があるというフラグが付けられた基板をすばやく確認して検証するために、人間のオペレーターに依存しています。
- 画像分類は、医療業界に最適です。 画像分類は、骨折、さまざまな種類の癌、細胞組織の異常を検出するのに役立ちます。 画像分類を使用して、疾患の存在を示す可能性のある異常にフラグを設定することもできます。 画像分類モデルを使用すると、MRI の精度を向上させることができます。
- 農業分野では、画像分類ソリューションは、植物の病気や水やりが必要な植物を特定するのに役立ちます。 その結果、画像分類は人間の介入の必要性を減らすのに役立ちます。
共同作成者
この記事は、Microsoft によって保守されています。 当初の寄稿者は次のとおりです。
プリンシパル作成者:
- Ashish Chauhan | シニア ソリューション アーキテクト
パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。
次のステップ
- Blob Storage の詳細については、「Azure Blob Storage の概要」をご覧ください。
- Container Registry の詳細については、「Azure における Container Registry の概要」を参照してください。
- モデル管理 (MLOps) の詳細については、「MLOps: Azure Machine Learning を使用したモデルの管理、デプロイ、系列追跡、監視」を参照してください。
- SynapseML の詳細については、「Synapse Machine Learning」を参照してください。
- CNN のセクションを含む Microsoft Learn モジュールを調べるには、「ディープ ラーニング モデルをトレーニングして評価する」を参照してください。