ディープラーニング - AI

以上のツールでは、ディープラーニングテクノロジで画像を分類できます。用語ディープラーニング (DL) は、一連の機械学習手法を表します。MERLIC には、手法分類と異常検出のツールが用意されています。区別する特徴には、異常と先に定義済みのクラスのいずれかがあります。

ライセンス要件

「ディープラーニング - AI」カテゴリの MERLICツールを使用するには、以下のいずれかのライセンス基準を満たす必要があります。

あなたは、MERLIC パッケージ「X-Large」のライセンスを持っています。
あなたには、その他の MERLIC パッケージ (「Small」、「Medium」、「Large」) のどれか 1 つのライセンスとアドオン「ディープラーニング」の追加ライセンスがあります。購入したディープラーニングアドオンの数で、MVApp で使用できるカテゴリディープラーニング - AI の MERLICツール数が決まります。
- アドオンを 1 つだけ購入してアクティベートした場合、MVApp ごとに使用できるディープラーニング - AI ツールは 1 つだけです。
- 2 つのアドオンを購入してアクティベートした場合、使用できるディープラーニング - AI ツール数に制限はありません。

AI アクセラレーターハードウェアのサポート

MERLIC には NVIDIA® TensorRT™ SDK および Intel® Distribution of OpenVINO™ toolkit 用の Artificial Intelligence Acceleration インターフェース (AI²) が付属しています。これらにより、NVIDIA® TensorRT™ SDK または OpenVINO™ toolkit と互換性のある AI アクセラレーターハードウェアを使用して、ディープラーニング機能を備えた MERLIC ツールで推論するためにディープラーニングモデルを最適化できます。結果として、CPU、Intel® GPU、Intel® VPU を含む NVIDIA® GPU および Intel® プロセッサで、大幅に高速化されたディープラーニング推論時間を実現できます。

AI² インターフェースに関するより一般的な情報 (システム要件や MERLIC の OpenVINO™ toolkit または NVIDIA® TensorRT™ を介して高速化できるハードウェアの使用方法など) については、AI² ディープラーニングを使用するツールのインターフェースのトピックを参照してください。

一般的な使用事例

この概要を参考に、適切なディープラーニングツールを使用してください。

タスク	ツール	利用方法
画像全体を所定のクラスセットから 1 つのクラスに分類します。すべてのクラスが等しく表され、すべてのクラスに十分なデータがあるデータセットがある場合、このツールを使用します。分類モデルでは、トレーニング中に明確に特徴を学習できます。したがって、この手法は異常検出よりも効果的です。	画像を分類	たとえば、「良」サンプルと「不良」サンプルを区別するとします。そのためには、最初にディープラーニングモデルに、どの画像が「良」カテゴリに所属し、どの画像が「不良」カテゴリに所属するかを教える必要があります。ニューラルネットワークへのティーチングには、MVTec Deep Learning Tool を使用します。ワークフローは次のとおりです。クラスを定義し、それに応じて画像にラベルを付け最後にディープラーニングモデルをトレーニングします。トレーニングの結果はいわゆる分類です。この分類を MERLIC にインポートし、それを新しい画像に適用します。これらの画像は、先に定義済みのクラスに分類されます。
各ピクセルに未知の特徴を示す尤度を割り当てます。入力画像のすべてのピクセルに、未知の特徴 (構造上の異常) が表示される可能性を示すスコアを割り当てます。このツールで、「良質な」サンプルと「不良」サンプルを区別する画像の構造上の異常を探します。「良質な」サンプルとは不具合のない画像のことであり、「不良」サンプルは不具合のある画像のことです。手元にある画像が少ない場合や、後で不具合がどのように表れるかがわからない場合は、モデルをトレーニングする良質なサンプルが必要なだけであるため、このツールが優れた解決策になります。	異常を検出	異常を検出するため、最初にディープラーニングモデルをトレーニングします。良質なサンプル (異常がない) がどのように見えるかをトレーニングすれば十分です。不良サンプルは任意ですが、モデルの強化に役立ちます。トレーニングの後、ディープラーニングモデルは、新しい画像に不具合があるかどうか、画像のどこにその不具合があるかを判断できます。
各ピクセルに未知の特徴を示す尤度、または画像の内容に関する制約に違反する可能性を割り当てます。この可能性は、入力画像のすべてのピクセルに割り当てられるスコアで返されます。これは、小さいスケールでは未知の特徴などの構造的な異常、大きいスケールでは画像の内容に関する制約違反などの論理上の異常を示す可能性を示します。このツールで、良質なサンプル (不具合のない画像) と不良サンプル (不具合のある画像) を区別する画像の構造上または論理上の異常を探します。このツールは、大きいスケールで論理上の異常を検索する場合に優れた解決策となります。ただし、グローバルコンテキストで異常を検出するために使用するディープラーニングモデルをトレーニングするには、多くの画像が必要です。MVTecDeep Learning Tool は多くの画像について動作するように設計されているので、十分な量のデータセットがある限りは、これで問題ないでしょう。したがって、モデルをトレーニングする大量のデータセットがある場合なら、構造上の異常を探すときにも「グローバルコンテキストでの異常の検出」ツールが適している可能性もあります。異常を検出ツール「MERLIC」のトレーニングモードではなく、MVTec Deep Learning Tool を使って大量の画像でディープラーニングモデルをトレーニングする方がはるかに簡単だからです。	グローバルコンテキストでの異常の検出	グローバルコンテキストで異常を検出するには、最初に MVTecDeep Learning Tool または MVTecHALCON でディープラーニングモデルをトレーニングします。このディープラーニングモデルを MERLIC にインポートし、それを新しい画像に適用します。ディープラーニングモデルでは、新しい画像に不具合があるかどうか、画像のどこにその不具合があるかを判断できます。
事前に定義されたオブジェクトクラスに該当し、画像内で見つかったオブジェクトを検索します。使用しているディープラーニングモデルによっては、オブジェクトのそれぞれの領域も取得できます。すべてのクラスが均等に表現されているデータセットがあり、すべてのクラスのデータが十分に存在する場合に、このツールを使用します。ディープラーニングモデルでは、トレーニング中に明確に特徴を学習できます。たとえば、オブジェクトをピックアップして、正しい場所に配置する必要がある場合に、このツールを使用できます。また、インスタンスセグメンテーションモデルを使用して、同じクラスの複数のインスタンスを区別したい場合にも、このツールを使用できます。	オブジェクトの検索	このツールでオブジェクトを特定するには、まずディープラーニングモデルをトレーニングする必要があります。そのモデルを、このツールの入力として使用できます。MVTec Deep Learning Tool または MVTec HALCON でトレーニングしたディープラーニングモデルを、オブジェクト検出またはインスタンスセグメンテーションのために使用できます。ディープラーニングモデルは、指定されたクラスのオブジェクトを認識し、そのオブジェクトが画像内のどこにあるかをマークできます。
セマンティックセグメンテーション用のディープラーニングネットワークを使用して、画像の各ピクセルを特定のクラスに割り当て、同じクラスに属するピクセルの領域を認識します。上の例では、入力画像は 4 つの異なるクラスに分割されています。入力画像のすべてのピクセルはクラスに割り当てられますが、クラス「apple」の 3 つの異なるインスタンスも、クラス「orange」の 2 つの異なるインスタンスも、区別されるオブジェクトではありません。セマンティックセグメンテーションの特殊なケースが、エッジ抽出です。ここでは、次の 2 つのクラスを区別するようにモデルがトレーニングされます: 「エッジ」と「背景」です。セマンティックセグメンテーションは、インスタンスセグメンテーションとは対照的に、同じクラスの複数のインスタンスを区別しない手法です。同じクラスのオブジェクトをアプリケーションで区別する必要がある場合は、ツール「オブジェクトの検索」を使用できます。	ピクセル精度での画像セグメンテーション	ピクセル精度で画像を定義済みのクラスに分割するには、まず MVTec Deep Learning Tool または MVTec HALCON を使用してセマンティックセグメンテーション用のディープラーニングモデルをトレーニングする必要があります。このディープラーニングモデルを MERLIC ツール「ピクセル精度での画像セグメンテーション」で使用し、画像に適用できます。ツールボード内の画像上にマウスポインターを移動すると、セグメンテーションに関する情報を含むラベルがマウスポインターに表示されます。現在のマウス位置のピクセルに割り当てられているクラスの名前と、対応する信頼度が表示されます。