# 鋼材の欠陥検出

> 鋼材の欠陥検出 - 鋼板に存在する任意のサイズの傷を検出して分類できる、精度の高い堅牢な機械学習モデルをトレーニングします。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.232483+00:00` (UTC).

## Primary page

- [鋼材の欠陥検出](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/model-eval-metrics/steel-plate.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/advanced_ml_and_api_approaches/faster-rcnn-custom-model/FasterR-CNN_training.ipynb)

製造業者が最新の機械学習の手法を使用すれば、さまざまな方法で製品の開発効率を向上できるようになりました。 このノートブックでは、最先端のコンピュータービジョンシステムを使用した製品の欠陥検出と分類にフォーカスします。 機械学習を活用することで、製造業者に多大な価値がもたらされ、製造プロセスが変換されて全体的な競争力が強化されます。 製造業者はこれらの高度な方法を活用することによって、製品開発の効率化、欠陥検出の精度向上、運用効率の最適化、およびコスト削減を実現し、最終的には市場で増大する需要を満たす高品質の製品を提供することができます。

このアクセラレーターでは、コンピュータービジョンを活用して、優れた強度と高い成形性により、建設業や農業の分野で広く使用されている熱間圧延鋼板の製品欠陥を特定するタスクに取り組みます。 機械学習を活用したオブジェクト検出モデルを活用することで、製造メーカーが経験する最も一般的な製品欠陥の1つである傷を正確かつ効率的に検出して分類できます。

実際の現場では、鋼板の点検は、信頼性が低い工場内の試験担当者によって時間をかけて目視で行われます。 このアプローチを導入すれば、検出プロセスを自動化し、精度を高めて人間の労力とエラーを削減できるので、機械学習を利用しない従来の技法とは一線を画すようになります。

- データをダウンロードする
- 必要なデータ前処理を実行する
- データをトレーニングデータセットと検定データセットに分割する
- モデルを作成する
- カスタムトレーニングおよび検定ループを記述する
- モデルのパフォーマンスを評価してモデルの予測を確認する視覚化ツールを作成する

最終的には、鋼板に存在する任意のサイズの傷を検出して分類できる、精度の高い堅牢な機械学習モデルが正常にトレーニングされます。