Chihuahua vs Chikuwa Classifier

チワワ（犬種）とチクワ（食品）を画像から判別するAI分類ツール

https://tomosud.github.io/tikuwawaAI/web_app/index.html

↑このリンクからweb版をすぐ使えます。

概要

このプロジェクトは、画像内の対象が「チワワ（犬種）」か「チクワ（食品）」かをAIで判別する画像分類ツールです。 Pythonを用い、Windows環境で学習したモデルをweb版で動くようにして、github pageで公開しています。

Deepwiki

学習とpyhonによる実行のための環境要件

• Python 3.11
• Windows 11
• 推奨RAM: 4GB以上

🚀 クイックスタート（Gitクローン後）

このリポジトリには学習済みモデルとデータセットが含まれています。クローン後すぐに使用できます。

1. リポジトリのクローン

git clone <this-repository-url>
cd tikuwawaAI

2. 自動セットアップとテスト

# 環境セットアップとモデル動作確認を一括実行
python setup_and_test.py

3. 即座に推論実行

# チワワ画像の分類
python model_inference.py dataset/chihuahua/chihuahua_d2537840_000.jpg

# チクワ画像の分類（詳細表示）
python model_inference.py dataset/chikuwa/chikuwa_fb74c371_000.jpg --detailed

手動セットアップ（オプション）

1. 仮想環境の作成と有効化

# 仮想環境作成
python -m venv venv

# 仮想環境有効化 (Windows)
venv\Scripts\activate

2. 依存関係のインストール

pip install -r requirements.txt

フェーズ構成

Phase 1: 画像収集（データ収集） ✅ 完了

目的： 「チワワ」「チクワ」の画像をネットから自動でダウンロード

実装完了状況：

• ✅ データセット: チワワ25枚、チクワ25枚（計50枚）
• ✅ 品質管理: パッケージ画像等を除外し、判定に適した画像のみ選別
• ✅ Git管理: フェアユース範囲で画像をリポジトリに含めて管理
• ✅ エラーハンドリング: レート制限回避とロバストな収集処理

使用技術：

• duckduckgo_search（API制限回避実装済み）
• requests（画像ダウンロード）
• Pillow（画像検証・処理）
• pathlib（フォルダ管理）
• uuid（ファイル名の一意性）

最終ディレクトリ構造：

project_root/
├── dataset/
│   ├── chihuahua/          # チワワ画像 25枚
│   └── chikuwa/            # チクワ画像 25枚（50枚から選別）
├── download_images.py      # 詳細版収集スクリプト
└── simple_download.py      # 実際に成功したシンプル版

実装済み機能：

• 複数検索クエリによる多様な画像収集
• 適切なファイルサイズ・形式チェック（1KB-5MB）
• レート制限回避（0.8秒間隔）
• UUID付きファイル名で重複防止
• エラーハンドリングとログ出力
• 人的品質管理による最終選別

Phase 2: データ前処理 ✅ 完了

目的： モデル学習用に画像をクリーンに整形

実装完了状況：

• ✅ 画像リサイズ: 224x224pxに統一（学習時は256→224でRandomCrop）
• ✅ 正規化処理: ImageNet標準値で正規化 mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]
• ✅ データ分割: 学習40枚・検証5枚・テスト5枚（8:1:1比率）
• ✅ データ拡張: RandomCrop、HorizontalFlip、Rotation、ColorJitter実装
• ✅ PyTorch DataLoader: バッチ処理、シャッフル、num_workers対応
• ✅ 画像検証: 破損画像の自動検出・除外
• ✅ 可視化機能: クラス分布グラフ、サンプル画像表示、拡張効果確認

使用技術：

• PyTorch + torchvision（データローダー・変換）
• PIL（画像処理）
• matplotlib（可視化）
• numpy（数値計算）

出力ファイル：

processed_data/
├── data_split.json           # データ分割情報・統計
└── class_distribution.png    # クラス分布グラフ

実装済み機能：

• カスタムDatasetクラス（ChihuahuaChikuwaDataset）
• 段階的データ変換（学習時は拡張あり、検証・テスト時は拡張なし）
• 詳細な統計情報とクラスバランス分析
• エラーハンドリングと画像整合性チェック
• 可視化ツールによる品質確認

Phase 3: AIモデルの学習 ✅ 完了

目的： 「チワワ」と「チクワ」を分類する2クラス画像分類モデルを作成

実装完了結果：

• ✅ モデル: ResNet18転移学習
• ✅ 達成精度: 100%（目標90%を大幅に上回る）
• ✅ 検証精度: 100.00%
• ✅ テスト精度: 100.00%
• ✅ 学習済みモデル: models/chihuawa_chikuwa_classifier.pt
• ✅ 学習履歴: models/training_history.png

使用技術：

• PyTorch + ResNet18（転移学習）
• 25エポック学習
• Adam オプティマイザ
• CrossEntropy 損失関数

Phase 4: 推論・ツール作成 ✅ 完了

目的： 任意の画像ファイルに対して「チワワ」or「チクワ」を判定するツールを作成

実装完了内容：

• ✅ 推論スクリプト: model_inference.py - コマンドライン実行
• ✅ 自動セットアップ: setup_and_test.py - 環境構築と動作確認
• ✅ 信頼度表示: 確率とパーセンテージ表示
• ✅ バッチ処理: 複数画像の一括処理対応
• ✅ エラーハンドリング: 不正画像・モデル不備の検出

使用方法

Phase 1: 画像収集（完了済み）

データセットは既に収集・選別済みです。追加で画像収集する場合：

# シンプル版（推奨）
python simple_download.py

# 詳細版
python download_images.py

データセット確認

# データセット構造確認
ls dataset/chihuahua/ | wc -l  # チワワ画像数
ls dataset/chikuwa/ | wc -l    # チクワ画像数

🎉 プロジェクト完了状況

✅ 全フェーズ完了

• Phase 1: 画像収集 - チワワ25枚、チクワ25枚の高品質データセット構築
• Phase 2: データ前処理 - PyTorchDataLoader対応、拡張、分割、可視化
• Phase 3: AIモデル学習 - 100%精度の分類器完成
• Phase 4: 推論ツール - コマンドライン推論システム完成
• Git管理 - 学習済みモデルとデータセットを含む完全なリポジトリ

🚀 すぐに使用可能

このリポジトリをクローンするだけで、以下が即座に利用できます：

• 学習済みモデル: 100%精度のチワワ vs チクワ分類器
• 推論システム: コマンドライン画像分類ツール
• 完全なデータセット: 厳選された50枚の学習用画像
• 前処理・学習・推論の全コード: 再現可能な実装

📊 データセット詳細

• 総画像数: 50枚（バランス良く各25枚）
• 画像品質: パッケージ画像等を除外済み
• ファイル形式: JPEG
• 著作権: 研究・教育目的のフェアユース範囲

ライセンス

MIT License

注意点（Windows環境）

• torch はGPUなしでもOKですが、torchvision バージョンに注意
• duckduckgo_search は duckduckgo-search でインストール
• 画像収集においてCAPTCHAが出る場合はAPI回数を抑えるかスリープを挟む

著作権について

このプロジェクトに含まれる画像は、研究・教育目的のフェアユース（公正利用）の範囲内で使用されています。商用利用は行いません。