Cloud AutoML Visionを使ってカレイの種類を識別してみた

flatfisher

Published in

google-cloud-jp

6 min readNov 6, 2018

本業や趣味でGCP, Actions on Google, Androidなどの技術を触っている fish です🐟 Cloud Auto ML Visionを使って

カレイの種類を識別してみたので、その結果を紹介したいと思います。

Cloud Auto ML Vision についてはこちらをご参照ください。
Cloud Auto ML Vision の事例はこちらをご参照ください。

カレイの識別について

お寿司や小料理屋などで身近なカレイですが、食用だけでも３０種類以上、世界には１００種類以上確認されています。慣れている人は簡単に見分けることができますが、特徴を知らないと見分けるのが難しい魚です。Cloud Auto ML Vision を使ったらもしかして見分けることができるのでは？と思いトライしてみました。

Cloud Vision API ではどこまで識別できるのか？

カレイやヒラメの総称であるFlatfishまで識別できました。

教師データは自分で釣って集める！

私はfishと呼ばれるほどの釣り好きです。せっかくなのでお店で買ったカレイではなく、実際に自分で釣ったカレイで教師データを集めることにしました。つまり最低２種類以上のカレイを釣る必要があります。

釣れたのはイシガレイとマコガレイ

イシガレイとマコガレイの2種類カレイを無事釣ることができました。教師データとしてそれぞれ1200枚ほど画像を撮りました。

イシガレイ

マコガレイ

Cloud Auto ML の使い方

Datasetの作成、画像のラベリング、学習、評価の具体的な方法についてはこちらをご参照ください。

GCSに画像をアップロード

画像を格納しているディレクトリから、全ての画像をgs://{PROJECT-ID}-vcm/{DATASET}/images/ の中にアップロードします。

$ gsutil cp -r ./ gs://{PROJECT-ID}-vcm/{DATASET}/images/

ラベリング

GCSのパスとラベル情報が入ったCSVファイルを作成し、画像を入れた同じバケットにアップロードします。

$ gsutil cp labels.csv gs://{PROJECT-ID}-vcm/{DATASET}/images/

labels.csv の例

・・・
gs://test-vcm/dataset/images/IMG_9997.JPG,stone_flounder
gs://test-vcm/dataset/images/IMG_9997.JPG,stone_flounder
gs://test-vcm/dataset/images/IMG_9997.JPG,stone_flounder
gs://test-vcm/dataset/images/IMG_9997.JPG,pleuronectes_yokohamae
gs://test-vcm/dataset/images/IMG_9997.JPG,pleuronectes_yokohamae
gs://test-vcm/dataset/images/IMG_9997.JPG,pleuronectes_yokohamae
・・・

イシガレイがstone_flounder、マコガレイがpleuronectes_yokohamaeという名前でラベル付けしました。準備ができたらAuto ML のコンソールから ADD IMAGESをクリックし、gs://{PROJECT-ID}-vcm/{DATASET}/images/labels.csv を指定し画像のインポートを開始します。