33. 結晶組織のセグメンテーション化ワークフロー

33.1. 概要

河原林先生のPyTorchのデフォルトのU-Netを使ったSegmentationをMIntシステムに実装したワークフロー。

33.2. ワークフロー説明

ワークフローは 図 314 になる。

../_images/W30000000771.svg

図 314 結晶組織のセグメンテーション化ワークフロー説明

33.2.1. 入出力ファイル

結晶組織のセグメンテーション化ワークフローに指定する入力ファイルと出力ファイルを以下に記す。

  • 入力ファイル

    ポート名

    必須区分

    画像_訓練データ

    必須

    ラベリング画像_訓練データ

    必須

    画像_検証データ

    必須

    ラベリング画像_検証データ

    必須

    テスト画像

    必須

    • ポート名: 画像_訓練データ

      訓練用結晶画像ファイル(.png)を複数圧縮したファイル(.zip)。( 表 34 )

    表 34 画像_訓練データ

    wf_input_train_image_001

    wf_input_train_image_002

    • ポート名: ラベリング画像_訓練データ

      画像_訓練データと対になるラベリングされた画像(.png)を複数圧縮したファイル(.zip)。( 表 35 )

    表 35 ラベリング画像_訓練データ

    wf_input_train_label_001

    wf_input_train_label_002

    • ポート名: 画像_検証データ

      検証用結晶画像ファイル(.png)を複数圧縮したファイル(.zip)。( 表 36 )

    表 36 画像_検証データ

    wf_input_valid_image_001

    wf_input_valid_image_002

    • ポート名: ラベリング画像_検証データ

      画像_検証データと対になるラベリングされた画像(.png)を複数圧縮したファイル(.zip)。( 表 37 )

    表 37 ラベリング画像_検証データ

    wf_input_valid_label_001

    wf_input_valid_label_002

    • ポート名: テスト画像

      試験用結晶組織画像(.png)。( 図 316 )

    ../_images/wf_input_test_001.png

    図 316 引張強度ヒストグラム画像

  • 出力ファイル

    ポート名

    画像セグメンテーション_予測モデル_ONNX版

    予測結果画像

    • ポート名: 画像セグメンテーション_予測モデル_ONNX版

      ONNX形式の学習済みモデル(.onnx)。

    • ポート名: 予測結果画像

      予測結果のマスク画像(.png)。( 図 317 )

    ../_images/wf_output0011.png

    図 317 予測結果画像

33.3. ツール説明

ワークフローで使用する各ツールの説明を行う。

33.3.1. 画像セグメンテーション_データセット作成

訓練画像を分割しデータの増量をおこない、訓練/検証用のデータセットを作成する。

入力ファイル：
ポート名：画像_訓練データ
訓練用結晶画像ファイルの複数圧縮したファイル( 表 34 を参照)。

ポート名：ラベリング画像_訓練データ
画像_訓練データと対になるラベリング画像を複数圧縮したファイル( 表 35 を参照)。

ポート名：画像_検証データ
検証用結晶画像ファイルを複数圧縮したファイル( 表 36 を参照)。

ポート名：ラベリング画像_検証データ
画像_検証データと対になるラベリング画像を複数圧縮したファイル( 表 37 を参照)。

出力ファイル：
ポート名：画像データセット
AIに学習させる画像のデータセット( リスト 57 を参照)。
リスト 57 画像データセット.zip
 ├─train
 │  ├─image
 │  └─label
 └─valid
     ├─image
     └─label

33.3.2. 画像セグメンテーション_予測モデル作成

画像セグメンテーションのためのトレーニングを行う。

入力ファイル：
ポート名：画像データセット
AIに学習させる画像のデータセット( リスト 57 を参照)。

出力ファイル：
ポート名：画像セグメンテーション_予測モデル_pytorch版
pytorch形式の学習済みモデル(.pt)。

33.3.3. 画像セグメンテーション_データセット作成

pytorch形式の学習済みモデルをより汎用的なonnx形式に変換する。

入力ファイル：
ポート名：画像セグメンテーション_予測モデル_pytorch版

ポート名：テスト画像
試験用結晶組織画像( 図 316 を参照)。

出力ファイル：
ポート名：画像セグメンテーション_予測モデル_ONNX版
ONNX形式の学習済みモデル(.onnx)。

ポート名：予測結果画像
予測結果のマスク画像( 図 317 を参照)。

33.4. ワークフロー実行

1. ワークフロー一覧画面 ( 図 318 ) で、ワークフロー名 [結晶組織のセグメンテーション化] リンクをクリックして、ワークフローメタ情報画面に遷移する。
../_images/wf_run0013.png

図 318 ワークフロー一覧画面

2. ワークフローメタ情報画面 ( 図 319 ) で、画面の右上にある [ワークフローを実行] ボタンをクリックして、ワークフロー実行画面に遷移する。
../_images/wf_run0023.png

図 319 ワークフローメタ情報画面

3. ワークフロー実行画面 ( 図 320 ) で、実行パラメータ(入力ファイル)を設定後、[実行] ボタンをクリックすることでワークフローが実行される。
../_images/wf_run0033.png

図 320 ワークフロー実行画面

33.4.1. 実行結果

1. ラン一覧から実行結果をダウンロードしたいステータスが「完了」のランIDをクリックし、ラン詳細画面に遷移する( 図 321 )。
../_images/wf_result0013.png

図 321 ラン詳細画面

2. ラン詳細画面の [ダウンロード] ボタンをクリックすると計算結果ファイルダウンロード画面に遷移する( 図 322 )。全ての実行結果をダウンロードするのラジオボタンにチェックを付け、[ダウンロード] ボタンをクリックするとダウンロードが開始される。
../_images/wf_result0022.png

図 322 計算結果ファイルダウンロード画面

3. ダウンロードした実行結果ファイル("out.zip")は圧縮されている。
これを解凍すると「(ワークフローID+)ツール名」のフォルダが存在する( リスト 58 )。
リスト 58 実行結果ダウンロードファイル(out.zip)
 out
 └─W000030000000771
     ├─input
     │      テスト画像_01
     │      ラベリング画像_検証データ_01
     │      ラベリング画像_訓練データ_01
     │      画像_検証データ_01
     │      画像_訓練データ_01
     │
     ├─W000030000000771_画像セグメンテーション_データセット作成_01
     │      stdout
     │      画像データセット.zip
     │
     ├─W000030000000771_画像セグメンテーション_予測モデル作成_01
     │      stdout
     │      画像セグメンテーション_予測モデル_pytorch版.pt
     │
     └─W000030000000771_画像セグメンテーション_予測モデル変換_01
             stdout
             予測結果画像.png
             画像セグメンテーション_予測モデル_ONNX版.onnx