データセットの健全性チェック
データセットの品質を評価し、改善します。
概要
Dataset Health Checkでは、プロジェクトに関連付けられたデータセットに関するさまざまな統計を表示します。以下の情報を確認できます：
データセット内の画像数；
アノテーション数；
平均画像サイズ；
画像比率の中央値；
欠落しているアノテーション数；
nullアノテーション数；
データセット全体の画像寸法；
オブジェクト数のヒストグラム；および；
アノテーション位置のヒートマップ。
Dataset Health Checkを使用すると、データセットに関するさまざまな洞察を得られます。たとえば、nullアノテーションがない場合、作業中のプロジェクトに応じていくつか追加することを検討するとよいでしょう。欠落しているアノテーションがある画像がある場合は、さらに詳しく調べて必要なアノテーションを追加できます。
プロジェクトのHealth Checkを表示するには、Datasetページを開き、「Health Check」タブをクリックします：
すると、Health Checkタブが開きます：
このページでは、以下を確認できます：
train、test、valid データセット内の画像におけるクラス数の内訳。
データセット内の画像のサイズとアスペクト比の概要。
アノテーションが最も多い場所を示すヒートマップ。
データセット内の各画像にいくつのクラスがアノテーションされているかを示すヒストグラム。
Web アプリ
寸法インサイト
寸法インサイトのセクションでは、データセット内の生画像のサイズとアスペクト比を説明します。
プロジェクトのバージョンを作成する際にResize拡張を適用すると（ほとんどすべてのユースケースで強く推奨します）、そのバージョン内の画像はリサイズされますが、生画像はそのまま残ります。
アノテーションヒートマップ
モデルを学習させる際には、データセットがモデルを展開する環境を代表していることが重要です。
モデルが、アノテーションがカメラフレームのどこにでも現れる環境で展開される場合、たとえば異なるサイズの物体がリアルタイムで動いている工場ラインや、スマートフォンで撮影された物体の画像などでは、画像内のさまざまな場所に現れる物体へアノテーションを付けることが重要です。
画像のさまざまな場所にあるオブジェクトへラベルを付けることで、モデルが特定の場所にあるオブジェクトの識別方法だけを学習して過学習するのを防げます。
アノテーションヒートマップでは、画像内のどこにアノテーションが多いか少ないかを確認できます。これは、データセットのアノテーションが特定の場所に集中しすぎているシナリオを特定するのに役立ちます。
ヒートマップ上で領域をドラッグすると、選択した範囲の画像を確認できます：
画像ごとのオブジェクト数のヒストグラム
これにより、各画像にどれだけのアノテーション済みオブジェクトが含まれているかの分布が分かります。
モデルに通す画像に同一オブジェクトの複数インスタンスが含まれる可能性がある場合は、データセットにさまざまな数のオブジェクトインスタンスを含む画像があることを推奨します。これにより、関心対象のオブジェクトが含まれない画像、1つだけ含まれる画像、複数含まれる画像に対しても、モデルがうまく一般化できるようになります。
ヒストグラムの例は次のとおりです：
ヒストグラム上の任意の棒を選択すると、指定した件数の画像を確認できます：
HTTP API
次のエンドポイントを使用して、データセットのヘルスチェック統計を取得できます：
これにより、クラス分布、アノテーション数、画像寸法の概要、その他のデータセット品質指標が返されます。詳しくは データセットの健全性チェック これらの統計の意味について
クエリパラメータ
再生成
ブール値
に設定すると true ヘルス統計を新しく再計算させます。デフォルトでは、キャッシュされた結果が返されます。
応答
エンドポイントは、データセットのヘルス統計を含むJSONオブジェクトを返します：
レスポンスには、画像数、アノテーション数、クラス分布、画像寸法統計などのデータセットレベルの指標が含まれます。ヒートマップや画像ごとの内訳などのフィールドはAPIレスポンスには含まれません。
最終更新
役に立ちましたか？