# =================================================== # Roboflowからデータセットをダウンロード # =================================================== # 必要なライブラリのインストール # !pip install roboflow from roboflow import Roboflow # =================================================== # 1. Roboflowの初期化 # =================================================== # Roboflow(): Roboflow APIクライアントを作成 # api_key: Roboflowのアカウントで取得したAPIキー # ※ 自分のAPIキーに置き換えてください rf = Roboflow(api_key=”YOUR_API_KEY”) # workspace(): ワークスペースを指定 # project(): プロジェクトを指定 # ※ 公開データセットの場合は、そのプロジェクト名を指定 project = rf.workspace(“roboflow-universe-projects”).project(“car-damage-detection-u2fvz”) # version(): データセットのバージョンを指定 # download(): 指定フォーマットでダウンロード # “yolov8”: YOLOv8形式でダウンロード dataset = project.version(1).download(“yolov8″) print(f”ダウンロード先: {dataset.location}”)

# =================================================== # 2. データセットの構造を確認 # =================================================== import os # ダウンロードされたディレクトリの構造 dataset_path = dataset.location print(“データセットの構造:”) print(f”{‘─’ * 40}”) # os.walk(): ディレクトリを再帰的に探索 for root, dirs, files in os.walk(dataset_path): # 相対パスを計算 level = root.replace(dataset_path, ”).count(os.sep) indent = ‘│ ‘ * level folder_name = os.path.basename(root) print(f'{indent}├── {folder_name}/’) # ファイル数を表示（多い場合は省略） sub_indent = ‘│ ‘ * (level + 1) if len(files) > 3: print(f'{sub_indent}├── {files[0]}’) print(f'{sub_indent}├── …’) print(f'{sub_indent}└── ({len(files)}ファイル)’) else: for f in files: print(f'{sub_indent}├── {f}’)

# =================================================== # 3. データセットの統計情報を確認 # =================================================== import yaml # 各セットの画像数をカウント train_images = len(os.listdir(f”{dataset_path}/train/images”)) valid_images = len(os.listdir(f”{dataset_path}/valid/images”)) test_images = len(os.listdir(f”{dataset_path}/test/images”)) print(“データセットの統計:”) print(f”{‘─’ * 40}”) print(f”訓練データ: {train_images}枚”) print(f”検証データ: {valid_images}枚”) print(f”テストデータ: {test_images}枚”) print(f”合計: {train_images + valid_images + test_images}枚”) # data.yamlを読み込んでクラス情報を確認 # yaml.safe_load(): YAMLファイルをPython辞書に変換 with open(f”{dataset_path}/data.yaml”, ‘r’) as f: data_config = yaml.safe_load(f) print(f”\nクラス情報:”) print(f”{‘─’ * 40}”) print(f”クラス数: {data_config[‘nc’]}”) print(f”クラス名: {data_config[‘names’]}”)

# =================================================== # Albumentationsでデータ拡張 # =================================================== # !pip install albumentations import albumentations as A import cv2 import numpy as np from pathlib import Path import matplotlib.pyplot as plt # =================================================== # 1. データ拡張パイプラインの定義 # =================================================== # A.Compose(): 複数の変換を順番に適用 # bbox_params: Bounding Boxも一緒に変換するための設定 transform = A.Compose([ # 水平反転（50%の確率で適用） A.HorizontalFlip(p=0.5), # 明るさとコントラストの調整（30%の確率） A.RandomBrightnessContrast( brightness_limit=0.2, # 明るさの変化範囲 contrast_limit=0.2, # コントラストの変化範囲 p=0.3 ), # 色相・彩度・明度の調整（30%の確率） A.HueSaturationValue( hue_shift_limit=10, # 色相の変化範囲 sat_shift_limit=20, # 彩度の変化範囲 val_shift_limit=20, # 明度の変化範囲 p=0.3 ), # ガンマ補正（20%の確率） A.RandomGamma(gamma_limit=(80, 120), p=0.2), # 軽いぼかし（20%の確率） A.Blur(blur_limit=3, p=0.2), ], bbox_params=A.BboxParams( format=’yolo’, # YOLO形式のBounding Box label_fields=[‘class_labels’] # クラスラベルも一緒に変換 )) print(“データ拡張パイプラインを定義しました”)

# =================================================== # 2. 1枚の画像を拡張する関数 # =================================================== def augment_single_image(image_path, label_path, transform, num_augmentations=3): “”” 1枚の画像に対してデータ拡張を適用 Args: image_path: 元画像のパス label_path: ラベルファイルのパス transform: Albumentationsの変換パイプライン num_augmentations: 生成する拡張画像の数 Returns: augmented_images: 拡張された画像のリスト augmented_labels: 拡張されたラベルのリスト “”” # 画像を読み込む image = cv2.imread(str(image_path)) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # ラベルを読み込む（YOLO形式） bboxes = [] class_labels = [] with open(label_path, ‘r’) as f: for line in f: parts = line.strip().split() class_id = int(parts[0]) # YOLO形式: [x_center, y_center, width, height] bbox = [float(x) for x in parts[1:]] class_labels.append(class_id) bboxes.append(bbox) augmented_images = [] augmented_labels = [] # 指定回数だけ拡張を適用 for i in range(num_augmentations): # 変換を適用 transformed = transform( image=image, bboxes=bboxes, class_labels=class_labels ) augmented_images.append(transformed[‘image’]) augmented_labels.append({ ‘bboxes’: transformed[‘bboxes’], ‘class_labels’: transformed[‘class_labels’] }) return augmented_images, augmented_labels # 使用例 image_path = Path(f”{dataset_path}/train/images”) label_path = Path(f”{dataset_path}/train/labels”) # 最初の画像でテスト sample_image = list(image_path.glob(“*.jpg”))[0] sample_label = label_path / f”{sample_image.stem}.txt” aug_images, aug_labels = augment_single_image( sample_image, sample_label, transform, num_augmentations=4 ) print(f”元画像: {sample_image.name}”) print(f”拡張画像数: {len(aug_images)}”)

# =================================================== # アノテーション付き画像の可視化 # =================================================== import matplotlib.patches as patches def visualize_annotations(image_path, label_path, class_names, ax=None): “”” アノテーション付きの画像を表示 Args: image_path: 画像ファイルのパス label_path: ラベルファイルのパス class_names: クラス名のリスト ax: matplotlibのAxesオブジェクト（指定しない場合は新規作成） “”” # 画像を読み込む image = cv2.imread(str(image_path)) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) h, w = image.shape[:2] # Axesが指定されていない場合は新規作成 if ax is None: fig, ax = plt.subplots(1, figsize=(12, 8)) # 画像を表示 ax.imshow(image) # 色の定義（クラスごとに異なる色） colors = [‘red’, ‘green’, ‘blue’, ‘yellow’, ‘cyan’, ‘magenta’] # ラベルファイルが存在する場合のみ描画 if os.path.exists(label_path): with open(label_path, ‘r’) as f: for line in f: parts = line.strip().split() class_id = int(parts[0]) x_center, y_center, width, height = map(float, parts[1:]) # YOLO形式（正規化座標）からピクセル座標に変換 x_center *= w y_center *= h width *= w height *= h # 左上の座標を計算 x1 = x_center – width / 2 y1 = y_center – height / 2 # Bounding Boxを描画 color = colors[class_id % len(colors)] rect = patches.Rectangle( (x1, y1), width, height, linewidth=2, edgecolor=color, facecolor=’none’ ) ax.add_patch(rect) # クラス名を表示 ax.text( x1, y1 – 5, class_names[class_id], color=’white’, fontsize=10, fontweight=’bold’, bbox=dict(facecolor=color, alpha=0.7, edgecolor=’none’) ) ax.axis(‘off’) return ax # データセットのサンプルを可視化 class_names = [‘dent’, ‘scratch’, ‘crack’, ‘glass_damage’] fig, axes = plt.subplots(2, 3, figsize=(15, 10)) axes = axes.flatten() # 訓練データから6枚をサンプリング train_images = list(Path(f”{dataset_path}/train/images”).glob(“*.jpg”))[:6] for idx, img_path in enumerate(train_images): label_path = f”{dataset_path}/train/labels/{img_path.stem}.txt” visualize_annotations(img_path, label_path, class_names, axes[idx]) axes[idx].set_title(img_path.name, fontsize=10) plt.tight_layout() plt.savefig(‘dataset_samples.png’, dpi=150, bbox_inches=’tight’) plt.show() print(“データセットのサンプルを可視化しました”)

# =================================================== # YOLOv8でモデルを訓練 # =================================================== # !pip install ultralytics from ultralytics import YOLO import torch # =================================================== # 1. デバイスの確認 # =================================================== # torch.cuda.is_available(): GPUが使用可能か確認 device = ‘cuda’ if torch.cuda.is_available() else ‘cpu’ print(f”使用デバイス: {device}”) if device == ‘cuda’: print(f”GPU名: {torch.cuda.get_device_name(0)}”) print(f”GPUメモリ: {torch.cuda.get_device_properties(0).total_memory / 1e9:.1f} GB”)

# =================================================== # 2. 事前学習済みモデルのロード # =================================================== # YOLO(): YOLOv8モデルをロード # ‘yolov8n.pt’: nanoモデル（最軽量、最速） # 初回実行時は自動でダウンロードされる model = YOLO(‘yolov8n.pt’) print(“事前学習済みモデルをロードしました”) print(f”モデルタイプ: {model.type}”) # =================================================== # 3. data.yamlのパスを確認 # =================================================== # data.yamlには以下が定義されている: # – train: 訓練画像のパス # – val: 検証画像のパス # – nc: クラス数 # – names: クラス名のリスト data_yaml = f”{dataset_path}/data.yaml” print(f”\ndata.yamlのパス: {data_yaml}”) # 内容を確認 with open(data_yaml, ‘r’) as f: print(f”\ndata.yamlの内容:”) print(f.read())

# =================================================== # 4. 訓練の実行 # =================================================== # model.train(): モデルを訓練 # 多くのパラメータを指定可能 results = model.train( # === 必須パラメータ === data=data_yaml, # データセット設定ファイル epochs=50, # エポック数（データセット全体を何回学習するか） # === 画像・バッチ設定 === imgsz=640, # 入力画像サイズ（640×640にリサイズ） batch=16, # バッチサイズ（GPUメモリに応じて調整） # === 保存設定 === name=’car_damage_v1′, # 実験名（結果の保存先フォルダ名） save=True, # モデルを保存 plots=True, # 訓練曲線などのプロットを保存 # === 学習設定 === patience=10, # Early Stopping（10エポック改善なしで停止） device=device, # 使用デバイス（GPU/CPU） workers=4, # データローダーのワーカー数 # === データ拡張（訓練時に自動適用） === hsv_h=0.015, # 色相の変化 hsv_s=0.7, # 彩度の変化 hsv_v=0.4, # 明度の変化 degrees=10.0, # 回転角度 translate=0.1, # 平行移動 scale=0.5, # スケール変化 fliplr=0.5, # 水平反転の確率 mosaic=1.0, # Mosaic拡張（4枚の画像を組み合わせ） ) print(“\n訓練が完了しました！”)

# =================================================== # 5. 訓練結果の確認 # =================================================== from PIL import Image import matplotlib.pyplot as plt # 結果のディレクトリ result_dir = ‘runs/detect/car_damage_v1′ # 保存されたファイルを確認 print(“保存されたファイル:”) print(“─” * 40) for item in os.listdir(result_dir): print(f” {item}”) # 訓練曲線を表示 results_img = Image.open(f'{result_dir}/results.png’) plt.figure(figsize=(16, 10)) plt.imshow(results_img) plt.axis(‘off’) plt.title(‘訓練結果’, fontsize=14) plt.tight_layout() plt.savefig(‘training_curves.png’, dpi=150, bbox_inches=’tight’) plt.show()

# =================================================== # テストセットで評価 # =================================================== # =================================================== # 1. 最良モデルをロード # =================================================== # 訓練中に最も良い性能を示したモデル（best.pt）をロード best_model = YOLO(‘runs/detect/car_damage_v1/weights/best.pt’) print(“最良モデルをロードしました”) # =================================================== # 2. 検証セットで評価 # =================================================== # model.val(): 評価を実行 val_results = best_model.val( data=data_yaml, # データセット設定 split=’val’, # 検証セットを使用 imgsz=640, # 画像サイズ batch=16, # バッチサイズ plots=True, # 評価プロットを保存 ) print(“\n検証セットの結果:”) print(“─” * 40) print(f”mAP@0.5: {val_results.box.map50:.4f}”) print(f”mAP@0.5:0.95: {val_results.box.map:.4f}”) print(f”Precision: {val_results.box.mp:.4f}”) print(f”Recall: {val_results.box.mr:.4f}”)

# =================================================== # 3. クラス別の性能を確認 # =================================================== class_names = [‘dent’, ‘scratch’, ‘crack’, ‘glass_damage’] print(“\nクラス別の性能:”) print(“─” * 40) print(f”{‘クラス名’:<15} {'AP@0.5':<10} {'AP@0.5:0.95':<10}") print("─" * 40) for i, class_name in enumerate(class_names): ap50 = val_results.box.ap50[i] ap = val_results.box.ap[i] print(f"{class_name:<15} {ap50:<10.4f} {ap:<10.4f}")

# =================================================== # テスト画像で予測と可視化 # =================================================== # =================================================== # 1. 単一画像で予測 # =================================================== # テスト画像のパス test_images = list(Path(f”{dataset_path}/test/images”).glob(“*.jpg”)) test_image = test_images[0] print(f”テスト画像: {test_image.name}”) # model.predict(): 予測を実行 results = best_model.predict( source=str(test_image), # 入力画像 imgsz=640, # 画像サイズ conf=0.25, # 信頼度閾値（これより低いものは無視） iou=0.45, # NMSのIoU閾値 save=True, # 結果を保存 save_txt=True, # ラベルも保存 ) # 結果を取得 result = results[0] # 検出結果を描画した画像を取得 result_img = result.plot() # 表示 plt.figure(figsize=(12, 8)) plt.imshow(cv2.cvtColor(result_img, cv2.COLOR_BGR2RGB)) plt.title(f’予測結果: {test_image.name}’) plt.axis(‘off’) plt.savefig(‘prediction_result.png’, dpi=150, bbox_inches=’tight’) plt.show()

# =================================================== # 2. 検出結果の詳細を確認 # =================================================== print(“\n検出された損傷:”) print(“─” * 50) # result.boxes: 検出されたBounding Boxの情報 boxes = result.boxes if len(boxes) > 0: # xyxy: (x1, y1, x2, y2) 形式の座標 coords = boxes.xyxy.cpu().numpy() # conf: 信頼度スコア confidences = boxes.conf.cpu().numpy() # cls: クラスID class_ids = boxes.cls.cpu().numpy().astype(int) for i, (box, conf, cls_id) in enumerate(zip(coords, confidences, class_ids)): x1, y1, x2, y2 = box class_name = class_names[cls_id] print(f”損傷 {i+1}:”) print(f” 種類: {class_name}”) print(f” 信頼度: {conf:.3f}”) print(f” 位置: ({x1:.0f}, {y1:.0f}) – ({x2:.0f}, {y2:.0f})”) print() else: print(“損傷は検出されませんでした”)

# =================================================== # 複数モデルの性能比較 # =================================================== import pandas as pd # 比較するモデルを定義 models_to_compare = { ‘YOLOv8n (640)’: ‘runs/detect/car_damage_v1/weights/best.pt’, # 以下は追加で訓練した場合 # ‘YOLOv8s (640)’: ‘runs/detect/car_damage_v2/weights/best.pt’, # ‘YOLOv8n (1280)’: ‘runs/detect/car_damage_v3/weights/best.pt’, } # 各モデルを評価 results_list = [] for name, model_path in models_to_compare.items(): print(f”評価中: {name}”) model = YOLO(model_path) val_results = model.val(data=data_yaml, split=’test’, verbose=False) results_list.append({ ‘モデル’: name, ‘mAP@0.5’: val_results.box.map50, ‘mAP@0.5:0.95’: val_results.box.map, ‘Precision’: val_results.box.mp, ‘Recall’: val_results.box.mr, }) # データフレームに変換 df = pd.DataFrame(results_list) df = df.sort_values(‘mAP@0.5:0.95’, ascending=False) print(“\nモデル比較結果:”) print(“─” * 60) print(df.to_string(index=False))

# =================================================== # Gradioでデモアプリを作成 # =================================================== # !pip install gradio import gradio as gr from ultralytics import YOLO import cv2 import numpy as np # =================================================== # 1. モデルとクラス名の準備 # =================================================== # モデルをロード model = YOLO(‘runs/detect/car_damage_v1/weights/best.pt’) # クラス名 class_names = [‘dent’, ‘scratch’, ‘crack’, ‘glass_damage’] class_names_jp = [‘へこみ’, ‘傷’, ‘ひび割れ’, ‘ガラス損傷’] # =================================================== # 2. 予測関数を定義 # =================================================== def predict_damage(image, conf_threshold): “”” 画像から損傷を検出する関数 Args: image: 入力画像（NumPy配列） conf_threshold: 信頼度閾値（0〜1） Returns: result_img: 検出結果を描画した画像 stats: 検出結果の統計情報（文字列） “”” # 予測を実行 results = model.predict( source=image, imgsz=640, conf=conf_threshold, iou=0.45, ) # 結果を描画 result_img = results[0].plot() # 検出された損傷の統計を集計 boxes = results[0].boxes class_ids = boxes.cls.cpu().numpy().astype(int) confidences = boxes.conf.cpu().numpy() # クラスごとにカウント stats_lines = [“【検出結果】\n”] if len(boxes) == 0: stats_lines.append(“損傷は検出されませんでした”) else: stats_lines.append(f”検出数: {len(boxes)}個\n”) for cls_id in range(len(class_names)): count = np.sum(class_ids == cls_id) if count > 0: stats_lines.append(f”・{class_names_jp[cls_id]}: {count}個”) stats_lines.append(“\n\n【詳細】”) for i, (cls_id, conf) in enumerate(zip(class_ids, confidences)): stats_lines.append(f”{i+1}. {class_names_jp[cls_id]} (信頼度: {conf:.1%})”) stats = “\n”.join(stats_lines) return result_img, stats # =================================================== # 3. Gradioインターフェースを作成 # =================================================== # gr.Interface(): Gradioアプリを作成 demo = gr.Interface( fn=predict_damage, # 実行する関数 inputs=[ gr.Image(label=”🚗 車の画像をアップロード”), gr.Slider( minimum=0.1, maximum=1.0, value=0.25, step=0.05, label=”信頼度閾値（低いほど多く検出、高いほど厳選）” ) ], outputs=[ gr.Image(label=”📊 検出結果”), gr.Textbox(label=”📝 検出された損傷”, lines=10) ], title=”🚗 自動車損傷検出システム”, description=””” 車の写真をアップロードすると、AIが損傷を自動検出します。 **検出可能な損傷:** – へこみ（Dent） – 傷（Scratch） – ひび割れ（Crack） – ガラスの損傷（Glass Damage） “””, examples=[ [f”{dataset_path}/test/images/test1.jpg”, 0.25], ] if os.path.exists(f”{dataset_path}/test/images”) else None, theme=”default”, ) # =================================================== # 4. アプリを起動 # =================================================== # demo.launch(): アプリを起動 # share=True: 公開URL（72時間有効）を生成 demo.launch( share=True, server_name=”0.0.0.0″, server_port=7860, ) # ブラウザで表示されたURLを開く