3-02　学習→推論（認識率約97％） 　これから画像セットを使ってディープラーニング（道路標識認識）しますが、カラーボール認識と同様に（この手順）、まずは学習からになります。Google ColabからUntitled1.ipynbといった「ノートブック」を開きましょう。 　train_1.zip（学習用画像セット）をノートブックにアップロードして !unzip で解凍します（図3‐15）。するとtrain_1フォルダが現れます。 図3‐15　train_1に学習用画像 ●学習のPythonを実行。Epoch（学習回数）は10回 　gtsrb_float.pyは学習用プログラムです。図3‐16のようにドラッグ＆ドロップしてrunコマンドで実行します。 　図3‐17は実行中のようすですが、終了するには20分程度かかると思います（＊１）。 （＊１）画像数が多いのでepoch=10までとしているが、出来れば30くらい繰り返したい。 図3‐16　道路標識の学習プログラム 図3‐17　学習回数は１０回、２０分程度かかる 　学習が終わると図3‐18のようにW1〜W6.csv（重み係数）, b1〜b6.csv（バイアス）が生成されます。 　同図のようにval_1.zipをアップロードして解凍しましょう。これらは推論用画像になります。 図3‐18　val_1に推論用画像 ●val_1に推論用画像 　また図3‐19のようにTestGTSRB.csv（ラベルリスト）、さらにgtsrb_float_pred.py（推論用プログラム）をアップロードします。その後同図のように推論を実行します。 図3‐19　道路標識の推論 ●正解率の確認 　図3‐20はその結果で、正解率は97.5％となっています（＊２）。同図のようにActual（正解値）とPred（推論値）が緑字または赤字（赤は不正解）で書かれます。 （＊２）重み係数とバイアスは学習のたびに変わる（学習する画像の順番がランダムに変わるので）。したがって正解率も微妙に変わってくる。 図3‐20　正解率と推論画像（一部） 次のページへ 目次へ戻る