# コンテキスト 多面体ダイスを分類するための16,000枚のカスタム画像の初心者用セット # 内容 ## 画像の整理 約85% / 15% (学習用 / 検証用) - すべての学習用画像は480x480です。 - すべてのd4、d8、d10、d12の検証用画像は480x480です。 - ほとんどのd6とd20の検証用画像は480x480です。 - 追加のd6とd20の検証用画像のうち、少数はより大きく（長辺が1024px）、学習セットとまったく異なります。 ## 方法論 _すべての画像は、マリオ・ルリッヒによって作成、編集、分類されました。_ - 2つの白色ライトがある[回転台][1]上で、固定されたカメラ位置（最低2つの角度）を使用してビデオを撮影しました。 - 6種類の異なる背景（白色と様々な色）上で、最低5種類の異なるダイスを使用しました。 - その後、ビデオを画像としてエクスポートし、バッチで480x480にトリミングしました。 - 自然光源を使用して、様々な木材表面（最低2種類）上の5個以上のダイスの上を手持ちカメラで動かしました。 - ビデオを編集して画像にエクスポートし、バッチで480x480にトリミングしました。 - トリミング範囲外の画像は手動で削除しました。 追加のd6とd20の検証用画像は、私の個人画像コレクションから取得したもの、または照明条件を考慮せずに様々な表面で追加撮影したもので、より堅牢なテストとして使用します。 検証用画像は、全画像セット（480x480の画像）からランダムではなく、7分の1の割合で抽出されました。もし好みであれば、学習用と検証用をまとめて、あなたのコードでランダムに割り当てることもできます。このデータ整理方法は、初心者の方に役立つように選択されました。 最後に、似たグループで撮影された画像は似た方法で命名されています。たとえば、d4_angleXXXはすべてある角度から撮影されたd4ダイスの画像です。d10_topはすべて上から撮影されたd10ダイスの画像です。これも、データの追加や削除を容易にし、それが結果にどのように影響するかを確認できるようにするためです。 _**注意：** d4、d8、d10、d12よりもd6とd20の画像が多いのは、この2種類のダイスが他のダイスを作る前の最初のテストセットだったからです。_ ## インスピレーション 熱心なロールプレイヤーであり、[HeroMuster.com](https://heromuster.com/)のオーナーでもある私は、機械学習をコードと実行の側面だけでなく、データ収集/整理の側面からも学び始めることにしました。これはそれを行う素敵な方法だと感じました。 ## 簡単な結果 [ResNet101 精度0.9947][2] ![混同行列][3] [1]: https://www.thingiverse.com/make:502149 [2]: https://www.kaggle.com/ucffool/fast-ai-resnet101-99-5-or-better [3]: https://i.imgur.com/QXY9zJ2.png