Pythonで良品・不良品を判別する機械学習！

必要なライブラリのインストール
データセットの準備
モデルの構築
モデルの訓練
モデルの評価
予測の実行
今後の展望と将来性

必要なライブラリのインストール

まず、必要なライブラリをインストールします。以下のコマンドを実行してください。

pip install tensorflow keras numpy matplotlib

データセットの準備

次に、画像データセットを準備します。ここでは、KerasのImageDataGeneratorを使用してデータをロードします。

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# データジェネレータの設定
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

# データのロード
train_generator = train_datagen.flow_from_directory('data/train', target_size=(150, 150), batch_size=32, class_mode='binary')
validation_generator = test_datagen.flow_from_directory('data/validation', target_size=(150, 150), batch_size=32, class_mode='binary')

モデルの構築

次に、CNN（畳み込みニューラルネットワーク）を使用してモデルを構築します。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

モデルの訓練

モデルを訓練します。訓練データと検証データを使用してモデルをフィットさせます。

history = model.fit(
    train_generator,
    steps_per_epoch=100,
    epochs=50,
    validation_data=validation_generator,
    validation_steps=50
)

モデルの評価

訓練が完了したら、モデルを評価します。テストデータを使用してモデルの性能を確認します。

test_loss, test_acc = model.evaluate(validation_generator, steps=50)
print('Test accuracy:', test_acc)

予測の実行

最後に、新しい画像に対して予測を実行します。

import numpy as np
from tensorflow.keras.preprocessing import image

img_path = 'data/test/sample.jpg'
img = image.load_img(img_path, target_size=(150, 150))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array /= 255.

prediction = model.predict(img_array)
if prediction[0] > 0.5:
    print('不良品')
else:
    print('良品')

以上で、Pythonを使用して画像の不良品を判別する機械学習モデルの作成方法について説明しました。ぜひ試してみてください。