コンピューター・ビジョン深層学習モデルを検証する

このコード・パターンは、ラーニング・パス「IBM Maximo Visual Inspection 入門」の一部です。

概要

深層学習コンピューター・ビジョン・モデルをトレーニングしてデプロイした後、通常は、新しいテスト・データを使用して定期的に (または継続的に) モデルを評価する必要があります。この開発者コード・パターンで提供する Jupyter Notebook は、既知の「グラウンド・トゥルース」カテゴリーで分類されたテスト画像を取り、推論結果をトゥルースと比較して評価します。

説明

このコード・パターンでは Jupyter Notebook を使用して、IBM Maximo Visual Inspection 画像分類モデルを評価します。このパターンに付属のサンプルを使用してモデルをトレーニングすることも、独自のデプロイ済みモデルをテストすることもできます。Notebook で使用するテスト画像は、複数のディレクトリーに分類されています。各ディレクトリーが、所定の画像が分類されるべきカテゴリー、つまり「グラウンド・トゥルース」を表しています。画像ごとの推論結果は、デプロイ済みモデルの API エンドポイントを呼び出して収集します。収集した結果を使用して、実際のモデルのパフォーマンスを評価します。モデルの精度を明らかにするために、混同行列を表示し、モデルの精度を評価する際によく使われる各種の統計値を計算します。

このコード・パターンを完了すると、以下の方法がわかるようになります。

• IBM Maximo Visual Inspection を利用して画像分類モデルをトレーニングし、デプロイする
• Jupyter Notebook を実行する
• 各種の精度統計を使用して結果を評価する
• 新しいテスト・データ・セットを使用して既存のデプロイ済みモデルを検証する

フロー

手順では、次のことを行う方法を説明します。

1. データ・セットを作成します。
2. 画像を分類するようにモデルをトレーニングします。
3. モデルを REST API エンドポイントにデプロイします。
4. 新しいデータを使用してモデルを検証します。

手順

このパターンの詳細な手順については、README ファイルを参照してください。手順の概要は以下のとおりです。

1. リポジトリーのクローンを作成します。
2. IBM Maximo Visual Inspection にログインします。
3. データ・セットを作成します。
4. カテゴリーの画像に割り当てます。
5. モデルをトレーニングします。
6. モデルをデプロイしてテストします。
7. Notebook を実行します。
8. 結果を分析します。

まとめ

このコード・パターンでは、Jupyter Notebook を使用して IBM Maximo Visual Inspection 画像分類モデルを評価するために、既知の「グラウンド・トゥルース」カテゴリーで分類されたテスト画像を取り、推論結果をトゥルースと比較して評価しました。このコード・パターンは「IBM Maximo Visual Inspection 入門」ラーニング・パスの一部です。このシリーズで引き続き IBM Maximo Visual Inspection の機能について詳しく学ぶには、次のコード・パターン「Develop analytical dashboards for AI projects with IBM Maximo Visual Inspection」に進んでください。