まず、画像分類のトレーニングと予測に必要な画像データを準備します。先に述べたように、BLOCKSで画像分類を行うには、モデルジェネレーターを使ったトレーニングが必要です。このトレーニングには、トレーニング用の画像データが必要です。また、予測するための画像データも必要です。このチュートリアルでは、BLOCKSの画像分類がすぐ試せるように、必要なデータ一式を準備しました。

データ	説明
file_downloadサンプルデータ	機械学習の画像分類で使用する画像ファイル一式です。トレーニングと予測で使用する2種類の画像ファイルを含んでいます。

1. サンプルデータのダウンロード

   上記表のデータ欄のリンクをクリックして、サンプルデータをダウンロードします。サンプルデータは、ZIP形式で複数のフォルダーやファイルをひとつにまとめています。

2. ダウンロードしたファイルの解凍

   ダウンロードしたZIP形式のファイルを解凍します。下図のフォルダー構成でフォルダーやファイルが解凍されます。

   

   トレーニング用の画像ファイルは、分類ごとにフォルダー分けして配置しています。フォルダー名が分類名として扱われるため、フォルダー名は分類がわかるようなわかりやすい名前を付けています（日本語不可）。

   今回の例では、犬と猫に分類するため、それぞれdogフォルダーとcatフォルダーに分けて、犬と猫の画像ファイルを100枚ずつ配置しました（dogとcatが分類名）。

   画像ファイルの形式は、すべてJPEGで統一しています。

3. Google Cloud Storage（GCS）へアップロード

   BLOCKSの画像分類では、GCSから画像ファイルを読み取ります。ここでは、解凍されたblocks_ml_image_exampleフォルダーを、GCS Explorerツールを使ってGCSへアップロードします。アップロードの手順は、以下のとおりです。

   ウェブブラウザーで、BLOCKSにログインします。

   

   1. グローバルナビゲーション左端のmenuをクリック
   2. ［GCS Explorer］をクリック

   

   1. 適切なGCPサービスアカウントを選択
      既に適切なGCPサービスアカウントが選択されている場合はそのまま

   info_outline既にGCPサービスアカウント選択済みでこの画面を表示したい場合は、❷のアイコンをクリックします。

   

   1. 末尾が-us-central1-dataのバケット名をクリック
      既に適切なバケットが選択されている場合はそのまま

   info_outline既に他のバケットもしくはフォルダーを選択している場合で、この画面を表示したい場合は、❷の［バケット一覧］をクリックします。

   info_outlineセルフサービスプラン（無料トライアル含む）の場合は、プロジェクト作成時にオプションを選択してバケットが同時に作成されていることを前提としています。

   バケットがひとつもない場合は、プロジェクト設定のGCPサービスアカウントの項で、バケットの作成ができます。

   

   既に異なるバケットが作成済みの場合は、そのバケットを選択しても構いません。ただし、そのバケットのストレージクラスとロケーションは、Regionalかつus-central1である必要があります。

   

   1. フォルダーに歯車の絵柄のボタンをクリック
   2. ［フォルダアップロード］をクリック

   info_outlineFirefoxでは、GCS Explorerのフォルダーのアップロード機能は利用できません（前述の一部機能の制限）。その場合は、まずGCS Explorerのフォルダー作成機能を使って、解凍してできたフォルダー構成をGCS上に再現します。次に、ファイルアップロード機能を使って所定のフォルダー内に各ファイルをアップロードします。ファイルのアップロード方法については、「GCSへファイルをアップロードする方法」を参考にしてください。

   フォルダーを選択する画面が表示されます（OSごとに異なる）。以下の画面は、Windowsの例です。

   

   1. blocks_ml_image_exampleフォルダーをクリック
   2. ［アップロード］ボタンをクリック

   アップロードの確認画面が表示されます。

   

   1. ［アップロード］ボタンをクリック

   しばらくすると、blocks_ml_image_exampleフォルダーがアップロードされます。

   

   これで使い始めに必要な準備は完了です。

100枚ずつ用意した犬と猫の画像データを使い、モデルジェネレーターでトレーニングを行います。

まず、犬猫の画像分類用のモデルジェネレーターを作成します。

1. グローバルナビゲーション左端のmenuをクリック
2. ［モデルジェネレーター］をクリック

モデルジェネレーターがひとつもない場合は、「モデルジェネレーターとは」の画面が表示されます。

1. ［利用開始］ボタンをクリック

モデルジェネレーターがひとつ以上ある場合は、作成済みのモデルジェネレーターの一覧が表示されます。

1. ［追加］ボタンをクリック

1. ［画像分類タイプ］をクリック
2. ［次へ］ボタンをクリック

1. 名前を入力（例：犬猫の画像分類）
2. ［次へ］ボタンをクリック

1. ［完了］ボタンをクリック

1. ［OK］ボタンをクリック

引き続き、このモデルジェネレーターを使って、トレーニングを実施します。

1. ［トレーニング開始］ボタンをクリック

1. トレーニング名を入力（例：1回目のトレーニング）
2. folderをクリック

1. -us-central1-dataで終わるバケット名先頭のアイコンをクリック
2. blocks_ml_image_exampleフォルダー先頭のアイコンをクリック
3. trainingフォルダーをクリック
4. ［選択］ボタンをクリック

このチュートリアルでは、トレーニング名と画像フォルダーの項目以外は、初期設定のままとします。各項目について詳しくは、モデルジェネレーターヘルプを参照願います。

1. ［開始］ボタンをクリック

トレーニングが始まり、トレーニングの状況が確認できます。

トレーニングの所用時間は、2時間ほどです（時間はサーバー側の状況により前後）。しばらくお待ちください。

トレーニングが成功で終わると、トレーニング一覧の当該トレーニングのステータスが成功に変わります。

1. arrow_drop_downをクリック
2. ［本番用］をクリック
3. ［適用］ボタンをクリック

適用が完了すると、フローデザイナーを使って予測が行えるようになります。

info_outline適用対象について詳しくは、モデルジェネレーターヘルプの「トレーニングを一覧する」のアクションの項を参照してください。

もし、Google Cloud Platform（GCP）のリソース不足によりトレーニングが失敗する場合は、トレーニング時のマシンタイプを［単一ノード］に変更してトレーニングを再実行してください。

トレーニング失敗の理由の確認方法については、「操作中にエラーとなったら」を参考にしてください。

その他の理由により、トレーニングが失敗する場合は、再度トレーニングを実行してみてください。

予測は、フローデザイナーで行います。フローデザイナーのフローテンプレート作成機能を活用すると、簡単に画像分類を予測するためのフローが作成できます。このチュートリアルでは、このフローテンプレートを使った方法を解説します。

まず、フローデザイナーを作成します。

1. グローバルナビゲーション左端のmenuをクリック
2. ［フローデザイナー］をクリック

1. ［利用開始］ボタンをクリック

info_outline既にフローデザイナーを作成している場合は、「フローデザイナーとは」の画面は表示されません。後で述べるフローデザイナーの一覧画面が表示されます。その場合は、既存のフローデザイナーの名前をクリックして、以降の作業を進めてください。もし無料トライアル以外をお使いで、新たにフローデザイナーを作成できるライセンス枠がある場合は、フローデザイナー一覧画面の左上にある［追加］ボタンをクリックしてください。

info_outlineライセンス不足の場合は、その旨のメッセージが表示されます（管理者の場合は、ライセンス購入画面を表示）。メッセージが表示された場合は、組織の管理者に問い合わせてください（管理者の場合は、ラインセンスを購入してください）。

1. 名前を入力（例：チュートリアル）
2. ［作成］ボタンをクリック

1. ［チュートリアルopen_in_new］をクリック

新しいタブでフローデザイナーが開きます。引き続き、フローテンプレート作成機能を使って、画像分類の予測を行うフローを生成します。

1. ［フローテンプレート作成］ボタンをクリック

1. ［画像分類予測］をクリック
2. ［次へ］ボタンをクリック

1. フロー名を入力（例：犬猫の画像分類予測）
2. ［次へ］ボタンをクリック

1. ［犬猫の画像分類（画像分類）］をクリック
2. ［バッチ予測］をクリック
   バッチ予測は、複数の画像をまとめて予測するのに向いています。
3. ［次へ］ボタンをクリック

1. folderをクリック

1. -us-central1-dataで終わるバケット先頭のアイコンをクリック
2. blocks_ml_image_exampleフォルダー先頭のアイコンをクリック
3. predictionフォルダーをクリック
4. ［選択］ボタンをクリック

1. ［次へ］ボタンをクリック

出力データ設定では、簡単に予測結果を確認できるDataEditorを指定します。

1. ［DataEditor］をクリック
2. データ名を入力（例：犬猫の画像分類予測結果）
3. データセットを入力（例：tutorial）

画面を下にスクロールします。

1. テーブルを入力（例：image_classification_results）
2. ラベル数を2に変更
3. ［次へ］ボタンをクリック

info_outlineDataEditorは、BigQuery上のデータを視覚的に操作できるツールです。BigQueryに関する知識は必要ありませんが、BigQuery上の重要な要素であるデータセットとテーブルは指定する必要があります。Microsoft Excelに例えると、データセットはブックで、テーブルはシートに対応する概念です。

1. ［配置］ボタンをクリック

これで、予測フローが完成しました。ここで、このフローを保存しておきます。

1. ［保存］ボタンをクリック

早速、予測を試してみます。

1. フロー先頭の［犬猫の画像分類予測］ブロック右端のmore_vertをクリック
2. ［フローの実行］をクリック

予測の実行状況を確認するために、フローの実行ログを確認します。

1. ［ログを見る］をクリック

画面下部に、ログパネルが表示されます。ログパネル左側のログリストのステータスでフローの実行状況が確認できます。フローの実行には、少々時間がかかるので、［実行中］（❶）の表示になっているはずです。実行が終わるまで、しばらく待ちます。

フローの実行が正常に終了すると、ログリストのステータスが［成功］（❶）に変わります。これで犬猫の画像分類の予測は完了です。

予測結果は、DataEditorのデータとして出力しているので、DataEditorで確認します。別タブにあるBLOCKSの画面（フローデザイナーの一覧画面）に切り替えます。

1. グローバルナビゲーション左端のmenuをクリック
2. ［DataEditor］をクリック

1. ［犬猫の画像分類予測結果］をクリック

1. ［テーブル］タブをクリック
2. ［データを表示］をクリック

各列のそれぞれの意味は、以下のとおりです。

名前	説明
key	予測に使用した画像ファイル名です（GCS URL形式）。
label	予測結果です。
score	予測結果の確からしさです。数値は、0から1の範囲で、1が100%を示します。
score_（0からの数値）	分類ごとの予測の確からしさです。数値は、0から1の範囲で、1が100%を示します。

この予測結果をまとめると以下のようになります。

行	画像ファイル	予測結果
1	sample_01.jpg	猫の可能性がほぼ100%
2	sample_02.jpg	犬の可能性がほぼ100%