仕様を検討・決定する

自分で一から推論モデルを作成しようとすると、膨大な量の教師データが必要になります。 物体検出サンプルならば何千枚といった画像データを用意し、それに手作業でラベル付けと物の位置を指定してはじめて教師データとなります。 場合によっては、全ての画像データに対してリサイズや色変換など前処理をする必要がある場合もあり、学習には多くの手間がかることに注意してください。

本ドキュメントの物体検出サンプルでは転移学習を用いることで用意する教師データの数を減らしています。

推論の速度は、推論モデルと推論を行うハードウェアに依存します。 ハードウェアは今回はArmadilloで固定なので問題ではありませんが、推論モデルによっては一度の推論に長い時間がかかる場合もあり、速度を要するシステムでは使えないということもあります。 速度は一度推論モデルを作ってみなければわからず、基本的に精度とトレードオフですので、高い精度のモデルほど速度は遅いです。

推論の精度は、推論モデルに依存します。 学習時にどれだけの数の訓練データを入力したか、訓練データや特徴量は正しいものだったか、過学習は起こっていないかなど、気にするべき箇所は多々あります。 さらに、精度はどこまで学習を積んでも100%になることはありません。 速度や精度は推論モデルのチューニングによっては改善が期待できるかもしれませんが、限界があります。

推論モデルの速度と精度については予め実現したいラインを設定し、そこに近づけられるように試行錯誤と検証を重ねる必要があります。 最終的に出来上がる推論モデルの性能に合わせて、システム全体で推論の速度や誤検知を許容できる仕様にしておく必要があります。

機械学習はドキュメントやテストコードがなかったり、いきあたりばったりの設計が残ってしまうなど、技術的負債が多くなる傾向があります。 それは、以下のような機械学習を用いたシステム構築の難しさが原因としてあります。