画像学習の過程を可視化する

先日、ワッシャーみたいな部品の検査を目視でやっても、人によって良し悪し違うし、そもそもこれ部品の検査ではなく視力検査なのでは。。。？
などと、末端の兵隊なりにいろいろと思うところがあったので、文句たれててもしゃーねーし、いい方法探すかと思って、いい方法探したら、ありました。

しかも日本語で。

金属部品の品質不良を検出するアプリを作ってみた - Qiita

自分の場合は、自動化起案したら早々にリジェクトされたので、自分だけでも楽をできたらいいやと思って、上のコードを実装してみました。

んで、学習済みのモデルを使っての転移学習なので、大して労することなくうまく行ったものの、学習の過程がテキストだと素人にはよくわからん。

history = model.fit(X_train, y_train, batch_size=16, epochs=64, validation_data=(X_test, y_test), validation_batch_size = 8)

そこで、先のコードにちょっと味付けして、プロセスを可視化してみた。

plt.style.use('ggplot')

def history_plot(history_model):
  fig,ax = plt.subplots(1,1,figsize = (15,5))
  ax.set_title('Loss Function')
  ax.plot(history_model.history['accuracy'],label = "Train Loss")
  ax.plot(history_model.history['val_accuracy'],label = "Test Loss")
  ax.legend()
  plt.savefig('loss_function.png')

hplot = history_plot(history)

可視化してみたところ、なんとまぁ分かりやすいことに過学習しているではありませんか。。。元の記事の人が早くに止めていた理由がわかりますね。

そんなときには学習を早い段階で止めたデータも呼び出せるEarlyStoppingを使うことができます。

from tensorflow.keras.callbacks import EarlyStopping

early_stop = EarlyStopping(patience=3,
                      restore_best_weights=True,
                          monitor='val_loss')

early_history = earlymodel.fit(X_train,
                    y_train,
                    batch_size = 16,
                    epochs=64,
                    validation_data=(X_test,y_test),
                    validation_batch_size = 8,
                    callbacks = [early_stop])

early_hplot = history_plot(early_history)

過学習は抑制できたものの、元データの数が少なすぎるせいかそもそも精度が悪い。

というわけで、次回は、元データの数が少ないなら、画像生成で増やしてしまえばいいじゃないということで、パチもん画像を画像生成で300枚くらい一気に増やしてみた内容を記事にします。