翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# 画像分類 - MXNet
Amazon SageMaker の画像分類アルゴリズムは、マルチラベル分類をサポートする教師あり学習アルゴリズムです。入力として画像を取得し、その画像に割り当てられた 1 つ以上のラベルを出力します。畳み込みニューラルネットワークを使用します。これは、ゼロからトレーニングすることも、大量のトレーニングイメージが使用可能でない場合に転移学習を使用してトレーニングすることもできます。
Amazon SageMaker AI イメージ分類アルゴリズムに推奨される入力形式は、Apache MXNet [RecordIO](https://mxnet.apache.org/api/faq/recordio) です。ただし、.jpg または .png の形式で RAW イメージを使用することもできます。機械学習システムの効率的なデータ準備と読み込みの概要については、[こちらの説明](https://mxnet.apache.org/api/architecture/note_data_loading)を参照してください。
**注記**
既存の深層学習フレームワークとの高い相互運用性を維持するために、これは他の Amazon SageMaker AI アルゴリズムによって一般に使用される protobuf データ形式とは異なります。
畳み込みネットワークの詳細については、以下を参照してください。
+ [Deep residual learning for image recognition (イメージ認識のための深層残差学習)](https://arxiv.org/abs/1512.03385) Kaiming He 他、2016 IEEE Conference on Computer Vision and Pattern Recognition (2016 年コンピュータビジョンとパターン認識に関する IEEE 会議)
+ [ImageNet イメージデータベース](http://www.image-net.org/)
+ [Gluon-CV と MXNet によるイメージ分類](https://gluon-cv.mxnet.io/build/examples_classification/index.html)
**Topics**
+ [イメージ分類アルゴリズムの入出力インターフェイス](#IC-inputoutput)
+ [イメージ分類アルゴリズムの EC2 インスタンスの推奨事項](#IC-instances)
+ [イメージ分類サンプルノートブック](#IC-sample-notebooks)
+ [イメージ分類の仕組み](IC-HowItWorks.md)
+ [イメージ分類ハイパーパラメータ](IC-Hyperparameter.md)
+ [イメージ分類モデルを調整する](IC-tuning.md)
## イメージ分類アルゴリズムの入出力インターフェイス
SageMaker AI イメージ分類アルゴリズムは、ファイルモードでのトレーニング用に RecordIO (`application/x-recordio`) とイメージ (`image/png`、`image/jpeg`、`application/x-image`) コンテンツタイプの両方をサポートし、パイプモードでのトレーニング用に RecordIO (`application/x-recordio`) コンテンツタイプをサポートします。ただし、RecordIO ファイルを作成せずに、拡張マニフェスト形式を使用して、イメージファイル (`image/png`、`image/jpeg`、`application/x-image`) を使用してパイプモードでトレーニングすることもできます。
分散トレーニングは、ファイルモードとパイプモードでサポートされています。パイプモードで RecordIO コンテンツタイプを使用する場合は、`S3DataSource` の `S3DataDistributionType` を `FullyReplicated` に設定する必要があります。このアルゴリズムは、データが各マシンにコピーされる完全にレプリケートされるモデルをサポートします。
このアルゴリズムでは、推論に `image/png`、`image/jpeg`、および `application/x-image` のみをサポートします。
### RecordIO 形式でトレーニングする
トレーニングに RecordIO フォーマットを使用する場合は、`train` チャネルと `validation` チャネルの両方を `InputDataConfig` リクエストの [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) パラメータの値として指定します。1 つの RecordIO (`.rec`) ファイルを `train` チャネルで指定し、もう 1 つの RecordIO ファイルを `validation` チャネルで指定します。両方のチャネルのコンテンツタイプを `application/x-recordio` に設定します。
### イメージ形式でトレーニングする
トレーニングにイメージフォーマットを使用する場合は、`train`、`validation`、`train_lst`、`validation_lst` チャネルを `InputDataConfig` リクエストの [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) パラメータの値として指定します。`.jpg` および `.png` チャネルの個々のイメージデータ (`train` または `validation` ファイル) を指定します。`.lst` チャネルと `train_lst` チャネルそれぞれに 1 つの `validation_lst` ファイルを指定します。4 つのチャネルすべてのコンテンツタイプを `application/x-image` に設定します。
**注記**
SageMaker AI は、トレーニングデータと検証データを異なるチャネルから別々に読み取るため、それぞれのデータは異なるフォルダに保存する必要があります。
`.lst` ファイルはタブ区切りファイルで、イメージファイルのリストを含む 3 つの列があります。最初の列はイメージのインデックスを指定し、2 番目の列はイメージのクラスラベルインデックスを指定します。3 番目の列はイメージファイルの相対パスを指定します。最初の列のイメージインデックスはすべてのイメージにわたって一意である必要があります。一連のクラスラベルインデックスには連番が付けられ、番号は 0 から開始する必要があります。たとえば、0 は cat クラス、1 は dog クラスなどです。
次は、`.lst` ファイルの例です。
```
5 1 your_image_directory/train_img_dog1.jpg
1000 0 your_image_directory/train_img_cat1.jpg
22 1 your_image_directory/train_img_dog2.jpg
```
たとえば、トレーニングイメージが `s3:///train/class_dog`、`s3:///train/class_cat` などに保存されている場合は、`train` チャネルのパスをデータの最上位ディレクトリである `s3:///train` として指定します。`.lst` ファイルで、`train_image_dog1.jpg` という名前の個々のファイルの相対パスを `class_dog` クラスディレクトリに `class_dog/train_image_dog1.jpg` として指定します。すべてのイメージファイルを `train` ディレクトリ内にある 1 つのサブディレクトリに保存することもできます。その場合は、そのサブディレクトリの相対パスを使用します。例えば、`s3:///train/your_image_directory`。
### 拡張マニフェストイメージ形式でトレーニングする
拡張マニフェスト形式を使用すると、RecordIO ファイルを作成しなくても、イメージファイルを使用してパイプモードでトレーニングを行うことができます。[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) リクエストの `InputDataConfig` パラメータの値として、トレーニングチャネルと検証チャネルの両方を指定する必要があります。形式を使用している間、イメージとそれに対応する注釈のリストを含む S3 マニフェストファイルを生成する必要があります。マニフェストファイル形式は、各行が 1 つのサンプルを表す [JSON Lines](http://jsonlines.org/) 形式になっている必要があります。イメージは、その S3 の場所を指す `'source-ref'` タグを使用して指定します。注釈は、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) リクエストで指定されている `"AttributeNames"` パラメータ値の下に入力します。`metadata` タグの下に追加のメタデータを含めることもできますが、これらはアルゴリズムによって無視されます。次の例では、`"AttributeNames"` は画像および注釈参照 `["source-ref", "class"]` のリストに含まれます。対応するラベル値は最初のイメージの場合は `"0"`、2 番目のイメージの場合は `“1”` です。
```
{"source-ref":"s3://image/filename1.jpg", "class":"0"}
{"source-ref":"s3://image/filename2.jpg", "class":"1", "class-metadata": {"class-name": "cat", "type" : "groundtruth/image-classification"}}
```
ImageClassification アルゴリズムをトレーニングする場合、入力ファイルの `"AttributeNames"` の順番が重要になります。パイプ指定されたデータは特定の順で受け入れられます。`image` が最初になり、その後に `label` が続きます。したがって、この例の「AttributeNames」では、`"source-ref"` が最初になり、その後に `"class"` が続きます。拡張マニフェストで ImageClassification アルゴリズムを使用する場合、`RecordWrapperType` パラメータの値は `"RecordIO"` である必要があります。
値の JSON 配列を指定することで、マルチラベルのトレーニングもサポートされます。`num_classes` ハイパーパラメータは、クラスの合計数と一致するように設定する必要があります。有効なラベル形式には、multi-hot と class-id の 2 つがあります。
multi-hot 形式では、各ラベルはすべてのクラスの multi-hot エンコードされたベクトルであり、各クラスは 0 または 1 の値をとります。次の例では 3 つのクラスがあります。最初のイメージはクラス 0 と 2 でラベル付けされ、2 番目のイメージはクラス 2 のみでラベル付けされます。
```
{"image-ref": "s3://amzn-s3-demo-bucket/sample01/image1.jpg", "class": "[1, 0, 1]"}
{"image-ref": "s3://amzn-s3-demo-bucket/sample02/image2.jpg", "class": "[0, 0, 1]"}
```
class-id 形式では、各ラベルはデータポイントに適用される [0, `num_classes`) からのクラス ID のリストです。代わりに、前の例は次のようになります。
```
{"image-ref": "s3://amzn-s3-demo-bucket/sample01/image1.jpg", "class": "[0, 2]"}
{"image-ref": "s3://amzn-s3-demo-bucket/sample02/image2.jpg", "class": "[2]"}
```
multi-hot 形式はデフォルトですが、 `label-format` パラメータを使用してコンテンツタイプに明示的に設定できます (`"application/x-recordio; label-format=multi-hot".`)。 GroundTruth によって出力される形式である class-id 形式は、明示的に設定する必要があります (`"application/x-recordio; label-format=class-id".`)。
拡張マニフェストファイルの詳細については、[トレーニングジョブの拡張マニフェストファイル](augmented-manifest.md)を参照してください。
### 段階的トレーニング
SageMaker AI で以前にトレーニングしたモデルのアーティファクトを使用して、新しいモデルのトレーニングをシードすることもできます。段階的トレーニングでは、同じモデルまたは類似のデータを使用して新しいモデルをトレーニングする際のトレーニング時間が短縮されます。SageMaker AI イメージ分類モデルは、SageMaker AI でトレーニングされた別の組み込みイメージ分類モデルでのみシードできます。
事前トレーニング済みモデルを使用するには、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) リクエストで、`InputDataConfig` パラメータに `ChannelName` を "model" と指定します。モデルチャネルの `ContentType` を `application/x-sagemaker-model` に設定します。モデルチャネルにアップロードする新しいモデルと事前トレーニング済みモデルの両方の入力ハイパーパラメータの設定は、`num_layers`、`image_shape`、および `num_classes` 入力パラメータの設定と同じである必要があります。これらのパラメータはネットワークアーキテクチャーを定義します。事前トレーニング済みモデルファイルには、SageMaker AI によって出力された圧縮モデルアーティファクト (.tar.gz 形式) を使用します。入力データには、RecordIO 形式またはイメージ形式を使用できます。
### イメージ分類アルゴリズムによる推論
生成されたモデルは推論のためにホストでき、エンコードされた `.jpg` および `.png` イメージ形式を `image/png, image/jpeg`、および `application/x-image` コンテンツタイプとしてサポートします。入力イメージのサイズは自動的に変更されます。出力は、JSON 形式、またはバッチ変換用の [JSON Lines テキスト形式](http://jsonlines.org/)でエンコードされたすべてのクラスの確率値です。イメージ分類モデルはリクエストごとに 1 つのイメージを処理するため、JSON または JSON Lines 形式で 1 行のみを出力します。以下は、JSON Lines 形式のレスポンスの例です。
```
accept: application/jsonlines
{"prediction": [prob_0, prob_1, prob_2, prob_3, ...]}
```
トレーニングと推論の詳細については、概要説明で言及しているイメージ分類サンプルノートブックのインスタンスを参照してください。
## イメージ分類アルゴリズムの EC2 インスタンスの推奨事項
イメージ分類では、P2、P3、G4dn、G5 インスタンスをサポートしています。大きなバッチサイズのトレーニングにはメモリが多い GPU インスタンスを使用することをお勧めします。分散型トレーニングでは複数 GPU および複数マシン設定でアルゴリズムを実行することもできます。CPU (C4 など) インスタンスと GPU (P2、P3、G4dn、または G5) インスタンスの両方を推論に使用できます。
## イメージ分類サンプルノートブック
SageMaker AI 画像分類アルゴリズムを使用するサンプルノートブックについては、「[Build and Register an MXNet Image Classification Model via SageMaker Pipelines](https://github.com/aws-samples/amazon-sagemaker-pipelines-mxnet-image-classification/blob/main/image-classification-sagemaker-pipelines.ipynb)」を参照してください。SageMaker AI でサンプルを実行するために使用できる Jupyter ノートブックインスタンスを作成してアクセスする方法の詳細については、「[Amazon SageMaker ノートブックインスタンス](nbi.md)」を参照してください。ノートブックインスタンスを作成して開いたら、**[SageMaker AI サンプル]** タブを選択して、すべての SageMaker AI サンプルのリストを表示します。イメージ分類サンプルノートブックは、[**Introduction to Amazon algorithm (Amazon アルゴリズムの概要)**] セクションにあります。ノートブックを開くには、その [**Use (使用)**] タブをクリックして [**Create copy (コピーを作成)**] を選択します。