学習モデル
次週より、システム変更に着手予定です。
めざましじゃんけん関係で、各種技術を深めております。
各種技術情報の詳細は、随時公開を進めます。
良い学習モデルが仕上がりました。現時点では、ベストかなと感じてます。
(8月15日より学習モデルは新バージョンで稼働しており、めざましじゃんけん後の結果公開までを１分３０秒ほど短縮しております、限りなくゼロに近づけます。)
今までは、7時５８分のジャンケン結果を８時０１分３１秒にホームページ更新、Twitter投稿から、新エンジンで８時００分００秒にホームページ更新、Twitter投稿に時間短縮。画像検出方法変更のみで１分半ほどの時間短縮を実現しています。
あと１分詰めれば、ジャンケン終了とほぼ同時に結果公開が可能となります。
以下、WindowsマシンでGPUなし、OpenCV dnnで速度測定。
import cv2 as cv net = cv.dnn.readNetFromDarknet(CFG, MODEL) net.setPreferableBackend(cv.dnn.DNN_BACKEND_DEFAULT) net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)
めざましじゃんけんシステムのテスト環境（228枚の画像）
- 第二世代(現行)：109秒、平均99%以上の認識率
- 開発バージョン１：16秒、平均65%以上の認識率
- 開発バージョン２(次期本番向け)：15秒、平均99%以上の認識率
第二世代（現行）の学習曲線
GPUの容量不足により多くの時間を要しました。検出速度よりも正確さを重視し、システム稼働後に本番システムに導入しました。めざましテレビ終了後よりめざましテレビが始まる時間を利用し、２日間かけて学習させました。
開発バージョン１の学習曲線
速度向上を目的に、追加開発を継続しました。速度は向上しましたが、認識率が一気に下がりました。
開発バージョン２(次期本番向け)
速度、認識率ともに問題なしです。
この学習モデルを本番投入します。
また、このモデルを用いて、Raspberry Piでのオンザフライ（放送中）での結果解析を進めます。現在のメインマシンWindowsからRaspberry Piで動作させた際の速度比較も気になります。
