Contenu connexe
Similaire à KC3 presentation 2021 (20)
KC3 presentation 2021
- 8. Animate your family photos
ELYZA DIGEST
https://www.myheritage.jp/deep-nostalgia
https://www.digest.elyza.ai/
GitHub Copilot
https://copilot.github.com/
- 12. 機械学習 ディープラーニング
1. データそのまま or あらかじめ特徴量(特徴を
数値化したモノ)を指定して抽出し入力する.
2. その特徴量を使用して学習を行う.
1. 多層構成のニューラルネットワークを
使用することで特徴量を自動抽出する.
2. その特徴量を使用して学習を行う.
学習させたいデータ(の特徴
(例: 形,色,大きさ... ))
ルールベースの計算
Ex) Nearest Neighbor, SVM
Random Forest
画像処理編
出力
55 / 80点
1
2
40/50点
15/30点
+ 20出席点
f (X)=WX+b
f : モデルを表す関数
X : モデルの入力
W: 重み(結合強度,貢献度)
b : バイアス
WX+b = 0.5*0.8+0.5*0.3+0.2
= 0.75
0.2
0.5 0.3
0.8 0.5
入力
出力
理解度=その単元における勉強の貢献度(重み)
大門1は80%の理解度à40/50点
大門2は50%の理解度à15/30点
合計: 55点
バイアスとして出席点20点付与
大門1: 50点,大門2: 30点のテストがある
よって成績は75点
- 13. 機械学習 ディープラーニング
1. データそのまま or あらかじめ特徴量(特徴を
数値化したモノ)を指定して抽出し入力する.
2. その特徴量を使用して学習を行う.
1. 多層構成のニューラルネットワークを
使用することで特徴量を自動抽出する.
2. その特徴量を使用して学習を行う.
学習させたいデータ(の特徴
(例: 形,色,大きさ... ))
ルールベースの計算
Ex) Nearest Neighbor, SVM
Random Forest
画像処理編
出力
学習させたいデータ
出力
各ノード間の重みを調整し精度向上
入力層
隠れ層・中間層
a.k.a. ブラックボックス
出力層
- 18. • 無償のAI画像処理エンジン
• 高速なCPU推論を実現
• Intel製CPU, GPU, FPGA, MYRIADで使用可能
• RaspberryPiやApple Silicon Mac でもNCS2を介して使用可能
• 初心者でも使いやすい一方で,プロの現場でも使用されている
Ex) 東京オリンピックでは陸上短距離走のフォーム・動き解析&所定エリアの混雑状況チェックで使用された
https://github.com/openvinotoolkit/open_model_zoo/blob/master/d
emos/human_pose_estimation_demo/human_pose_estimation.gif
https://github.com/openvinotoolkit/open_model_zoo/blob/m
aster/demos/object_detection_demo/object_detection.gif
https://github.com/openvinotoolkit/open_model_zoo/blob/master/d
emos/gesture_recognition_demo/python/gesture_recognition.gif
- 20. 1. ファイル à ノートブックを開く
2. GitHubタブでyusuke-1105と入力
AI-Bread-Detectionに
なっていることを確認
AI_Bread_Register.ipynbをクリック
1. Connect and Createをクリック
2. 右上のNewをクリックし,Python 3 ()を選択
3. セルに以下を記入してRun(実行)
!git clone https://github.com/yusuke-1105/AI-Bread-Detection
セットアップ完了 !
準備編
- 22. 8. 「Cell」の「Run All」を
クリック
7. Install OpenVINOとDownload the model ~ のセルを
コメントアウト
実行編
8でエラーが出た時は
「Kernel」の
「Restart & Run All」を
クリック
3. 「ランタイム」の「全てのセルを実行」