キャッサバの葉の病害分類(実践編)

キャッサバの葉の病害分類(実践編)#

この課題では，キャッサバの葉画像を対象として，病害の種類や健康状態を画像分類によって判別します．

題材としているのは，2021 年に開催された Kaggle の画像分類コンペティション Cassava Leaf Disease Classification です．
このコンペでは，キャッサバの葉画像から病害の種類を分類するモデルを構築し，その分類精度を競います．
本課題は，画像分類におけるデータ前処理，データ拡張，モデル設計，学習，評価，結果分析といった一連の流れを実践的に学びます．

分類対象#

この課題では，以下の5クラスを分類対象とします．

  1. 健康(healthy)

    健康

  2. モザイク病(mosaic_disease)

    モザイク病

  3. 緑斑ウイルス(green_mottle)

    緑斑ウイルス

  4. 条斑ウイルス(brown_streak_disease)

    条斑ウイルス

  5. 細菌性胴枯れ病(bacterial_blight)

    細菌性胴枯れ病

データセット#

データセットは Cassava Leaf Disease Classification の画像分類コンペのものを使用します．

峰野研究室の学生は，演習時に配布するデータセットを使用してください．
それ以外の方は，以下の Kaggle 公式ページから各自でダウンロードしてください．

ダウンロードしたデータセットは cassava_sample ディレクトリの直下に配置してください．

project_root/
├── intro.md               
├── requirements.txt       
├── summary.md             
├── data/                  
├── notebooks/              
├── cassava_sample/         
│   ├── ★dataset/ 　　# データセットはここに置く
│   ├── dataset.py    
│   ├── main.py
│   ├── model.py
│   ├── train_eval.py
│   ├── utils.py
│   └── visualize.py
└── util.py

データセットの特徴#

このデータセットには，以下のような特徴があります．

  • クラスごとに画像枚数の偏りがある

    データ分布

  • ノイズを含む画像が多数存在する

    • 対象が画像の中心にない

      中心にない

    • 葉が枯れている

      枯れている葉

    • 画角が遠い

      遠い

    • コントラストが高い

      ハイコントラスト

このような性質があるため，モデルの精度向上には，前処理やデータ拡張，モデル設計の工夫が重要になります．

課題内容#

PyTorch を用いて病害分類モデルを実装し，公開しているサンプルプログラムをベースに性能向上を目指します．

サンプルプログラム#

サンプルプログラムのディレクトリ構成は以下の通りです．

project_root/
├── intro.md               
├── requirements.txt       
├── summary.md             
├── data/                  
├── notebooks/              
├── ★cassava_sample/　  # サンプルプログラム
│   ├── dataset/
│   ├── ★dataset.py    
│   ├── ★main.py
│   ├── ★model.py
│   ├── ★train_eval.py
│   ├── ★utils.py
│   └── ★visualize.py
└── util.py

続いて，各プログラムの概要について解説します．

  • main.py
    学習全体を実行するためのメインスクリプトです．
    データの読み込み，可視化，モデル作成，学習・評価の実行をまとめて行います．

  • dataset.py
    画像データの読み込みと前処理を担当します．
    リサイズ，反転，回転などのデータ拡張を行い，学習用・検証用・テスト用のデータローダを作成します．

  • model.py
    シンプルなCNNモデルを定義しています．
    畳み込み層とプーリング層を重ねて特徴を抽出し，最後に5クラス分類を行います．

  • train_eval.py
    学習と評価の処理を担当します．
    各エポックでの損失・精度を記録し，最良モデルの保存やテストデータでの評価を行います．

  • utils.py
    学習を補助する関数をまとめたファイルです．
    乱数シードの固定，保存先ディレクトリの作成，クラス名の読み込みなどを行います．

  • visualize.py
    学習結果の可視化を行います．
    学習曲線，混同行列，誤分類例などを出力し，モデルの挙動を確認しやすくします．

実行例#

以下のようにプログラムを実行することで，学習を開始できます．

python main.py --data_dir ./dataset --epochs 10 --batch_size 32 --lr 1e-3
Contents