2016年1月AITCオープンラボで発表した資料です

1. 機械学習の為の事前準備
学習用データをどうやって集めるか

2. 自己紹介
▪ 高木一成（@Takaki_）
▪ ゼンリン所属
▪ GISエンジニア。主にデータ解析/市場調査/企画作りをしています。
▪ 業務の合間にデータベース技術や機械学習について調査中。
▪ 公私共にPythonを利用しています。
▪ おうちハックを頑張りたい
▪ 家電の音声制御とか
▪ 子どもの行動制御（ヤバそうな動作のアラート上げ）とか
▪ Amazon Echo/Listnrが欲しい。

3. 「機械学習に手を出そう」と思ったものの…
▪ どこから手を付ければ良いか分からない…
▪ サンプルコードを動かす以上のことが出来ない…
▪ 学習用のデータが集められない

4. 学習用データの集め方
▪ Google検索でライセンスフリーの画像を取ってくる
▪ 画像検索のオプションを使って問題ない画像を収集
▪ 自分が持っている写真を利用する
▪ 日々撮ってる写真を使えば問題無し
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
▪ 会社が持っている業務データを使う
▪ Google/Yahoo/Facebookが羨ましい…

5. 画像データの編集・加工をどうするか
▪ オープンソースを使って手持ちの画像を加工
▪ ImageMagick
▪ 老舗の画像処理用ツールセット
▪ 手持ちの画像を切り出すことが出来る
▪ サイズ変更や色調変更等も
▪ OpenCV
▪ こちらも老舗。オープンソースのコンピュータビジョン向けライブラリ。
▪ 画像処理・構造解析・パターン認識等が出来る便利ライブラリ
▪ 標準の分類器を使って学習データの作成が出来る
ハサミのようなツール
手間のかかる作業を一括処理
ナイフのようなツール
技量があれば何でもできる

6. ImageMagick
▪ インストールは公式サイト（http://www.imagemagick.org/）から
▪ 切り出しはconvertコマンド（-crop）を利用
▪ convert –crop 横ピクセルx縦ピクセル+始点（横）+始点（縦）
加工したいデータ 保存したいファイル名
▪ Ex)convert –crop 100x100+500+200 test.jpg sample.jpg

7. ImageMagickデモ
環境： Windows 10 Insider Preview
Surface3
CPU： Atom x7-Z8700 @a.6Ghz
メモリ： 4GB
コマンド
convert –crop 2000x2000+100+300
Musume.jpg cropsample.jpg
100,300
2000

8. ImageMagickの使いどころ
▪ 定点カメラでの撮影で収集した画像から、同一の箇所を切り出す
▪ Raspberry Pi + Motion（動体検知）で取得した画像から該当部分を切り出す
▪ 画像を処理可能な単位に分割する
▪ convert –crop は画像ファイルを10×10に分割可
▪ でかいRAWファイルの前処理で使うと便利です
▪ 機械学習だけでなく、日々の業務でも利活用の場は多いです。
覚えておくと仕事が楽に。

9. OpenCV
▪ インストールは公式サイト（http://opencv.org/）から。最新版は3.1。
▪ OpenCVの分類器（haarcascades）を使います。
▪ 分類器の設定ファイルはインストールフォルダ以下 build/data/haarcascades に色々あります。
▪ 目、顔、身体（全身・上半身・下半身）、笑顔、ロシアのナンバープレートなどが抽出可。
▪ 今回はPythonインターフェイス（WinPython）の2系からOpenCVを使用
▪ OpenCV3以降はPython3でも使えるらしいのだけど…

10. OpenCVデモ
環境はImageMagickのときと同じ
WinPython-64bit-2.7.10.3
OpenCV3.1
分類器を使って
ここをとってくる

11. 顔部分を検出して切り出し
import cv2
image = cv2.imread('musume02.jpg', 1)
cascade_path =
'C:opencvsourcesdatahaarcascadeshaarcascade_fron
talface_default.xml'
cascade = cv2.CascadeClassifier(cascade_path)
face_cascade = cascade.detectMultiScale(image, 1.1, 3)
i = 0
for rect in face_cascade:
x = rect[0]
y = rect[1]
w = rect[2]
h = rect[3]
img = image[y:y+h, x:x+w]
cv2.imwrite('musume_face_' + str(i) + '.png', img)
画像読み込み
既定の定義を用いて
分類器クラスを作成
結果をfor文で回し
一つずつファイルとして出力
http://qiita.com/Takaki_/items/f1cf8d077836303f2028

12. OpenCVの使いどころ
▪ 学習用データの収集
▪ 学習用データとしてそのまま使えるわけではない（ノイズが入る）が、手間は大分減る
▪ データ収集 → 機械学習 → データ可視化 のように、前処理と後工程で使用
前処理
• ImageMagick
• OpenCV
機械学習
• Caffe
• Chainer
後工程
• OpenCV

13. OpenCVの使いどころ
▪ 学習結果の可視化
import cv2
image = cv2.imread('musume02.jpg', 1)
cascade_path =
'C:¥opencv¥sources¥data¥haarcascades¥haarcascade_frontalface_default.xml'
cascade = cv2.CascadeClassifier(cascade_path)
face_cascade = cascade.detectMultiScale(image, 1.1, 5)
color = (255,0,255)
for rect in face_cascade:
cv2.rectangle(image, tuple(rect[0:2]),tuple(rect[0:2]+rect[2:4]),color, thickness=5)
cv2.imwrite("rect_draw.png",image)

14. まとめ
▪ 機械学習を始めるときのハードルは「学習データをいかにして集めるか」
▪ 手持ちのデータを利用して学習データを作成するのが色々な意味で良い
▪ ImageMagickで規定個所の切り出し
▪ OpenCVの分類器で前処理
▪ ImageMagick・OpenCVともに利便性は高いので、使えるようになっていると便利です。

15. ご清聴ありがとうございました
ご質問などありましたらお気軽に