Amazon SageMaker Studioを利用した白血球の画像分類
本ハンズオンでは、下記のようなユースケースの想定して実施します。
課題
- 創薬のWETな実験においてHTSなどのデバイスから大量のパレット撮影画像が発生
- 大量の画像を保管する為の作業とITコストが高止まりしている
- 大量の画像を分類する為には研究者の目が必要だが、研究者としてはもっと研究の本質部分に時間を割きたい
実現すること
- Amazon S3 を利用することで、クラウド上にて安価に長期間、安全に画像を保管する
- クラウド上に保管した画像を利用して自社専用の細胞画像分類AIを作る
本ハンズオンの概要
本ハンズオンでは、以下の内容を実施します。
- 機械学習のプラットフォームである Amazon SageMaker Studio を使いながら細胞画像分類のモデルを作成
- 学習に必要なサーバーについて、より多くのCPUを積んだものを使って学習時間が短縮できることを体験
全体像
- 下図のアーキテクチャを構築し、細胞の画像分類を実施して頂きます
本ハンズオン内のワークフロー詳細
本ハンズオンは下記のように2部構成となっています。
Lab1. 一般的な画像分類方法の体験
- JupyterLab 環境として、SageMaker Studio を利用します。
- ただし、擬似的にオンプレミスと同様の使い方をしてみます。(具体的には、コードの編集も、モデル学習もすべて同じインスタンス上で実施します。)
Lab2. トレーニングインスタンス、推論インスタンスを利用した画像分類
- ノートブックのインスタンスとは別に、モデル学習の際はGPUを搭載したトレーニングインスタンスを利用し、推論には推論用インスタンスを利用して細胞画像分類を実施します。
- トレーニングの実行中にのみGPU搭載のインスタンスを呼び出すことによって、学習速度の違いを体感します。
Lab3. Amazon SageMakerのBuilt-in Algorithmを利用した画像分類
- SageMakerの組み込みアルゴリズムである「Image Classification」を利用して、上記のLab1,2よりも細かく細胞画像を分類します。
それでは早速、始めてみましょう!
画面右中央の矢印をクリックして進めてください。