どうも、ガジェット好きPyおじです。

ウチの周りには野良猫が多く、糞害、車のボンネットに乗る、自転車の前かごにスッポリはまってくつろぐ、など、大変に迷惑しております。

そこで、なんとか野良猫を追っ払うために、私は考えました。

使ってないスマートフォンのカメラを入力にして、猫を検知したら「ガオー」と音声が流れるというアプリを作って、追っ払ってやろうと！

流れはこうです。

1. スマートフォンのカメラで１秒毎に撮影。jpgをAPIに投げる
2. APIで受け取った画像から、猫を検知する。結果をスマートフォンに返す。
3. カメラのFlashを焚いてもいいが、昼間も機能させたいのでスマートフォンから音を出し驚かす。

とりあえず、画像認識機能から手をつけようと思いまして、後学（向学、好学）のために、Kerasの有りモノのVGG16モデルにPASCAL VOC2012の画像を食わせて、猫と猫以外に２クラス分類させてみました。

ただ、正直、VGG16モデルをそのまま使って、猫を検知させたほうが精度は良いです。その場合、Egyptian_catとかPersian_catとかtiger_catというラベルが返ってきます。

- 前処理

で、VOC2012のデータですが、使うのは

VOCdevkit/VOC2012/JPEGImages/*.jpg

VOCdevkit/VOC2012/Annotations/*xml

でして、画像ファイル名とラベルを紐付けたDataFrameを作っちゃいましょう。

# xmlからDataFrameを作成
def xml_2_df(xmlFiles):
    image_id = 0
    dic_list=list()
    for file in xmlFiles:
        annotation_path = file
        image = dict()
        doc = xmltodict.parse(
            open(annotation_path).read(), force_list=('object'))
        # jpg名
        image['file_name'] = str(doc['annotation']['filename'])
        image['height'] = int(doc['annotation']['size']['height'])
        image['width'] = int(doc['annotation']['size']['width'])
        # ラベル
        image['label'] = str(doc['annotation']['object'][0]['name'])
        dic_list.append(image)
    
    df_load = pd.DataFrame(dic_list)
    return df_load


path = "VOCdevkit/VOC2012/Annotations/"
trainXMLFiles = glob.glob(os.path.join(path, '*.xml'))
df_images = xml_2_df(trainXMLFiles)
df_images

DataFrameができました。

教師データX、正解ラベルYを用意しましょう。

from keras.preprocessing.image import array_to_img, img_to_array, load_img
from keras.utils import np_utils
from tensorflow.keras.applications.vgg16 import preprocess_input

# 画像
input_dirpath = 'VOCdevkit/VOC2012/JPEGImages/'

# サブディレクトリ配下の画像（パス）を取得する。
img_files = glob.glob(os.path.join(input_dirpath, '*.jpg'))

X_train = []
X_test  = []
y_train = []
y_test  = []

IMAGE_SIZE = 112

X_data=[]
Y_data=[]
# 画像パスから行列として読み込む
for img_path in img_files:
    temp_img = load_img(img_path, target_size=(IMAGE_SIZE,IMAGE_SIZE))
    # np.arrayへ変換 (IMAGE_SIZE, IMAGE_SIZE, 3)の行列
    img_arr  = img_to_array(temp_img)
    # 画素値を0から1の範囲に変換
    X_ = preprocess_input(img_arr)
    # listに突っ込む
    X_data.append(X_)
    basename = os.path.basename(img_path)
    # ラベルデータ
    row=df_images.loc[df_images['file_name'] ==basename]
    # listに突っ込む
    Y_data.append(row['label'].values[0])
    
# クラスの形式を変換 出力層が１なのでone hot しない
#Y_data = np_utils.to_categorical(Y_data, 2)
# arrayに変換
X_data = np.asarray(X_data)
Y_data= np.asarray(Y_data)

VGG16モデルを使った２クラス分類は調べれば沢山出てくるのでここでは書きませんが、出力層が

model.add(Dense(1, activation='sigmoid'))

なので、0.5を閾値にして猫が写った画像かそうじゃないかの判定までは出来ました。

次は、aws lambdaを使って、画像の判定をAPI化してみようと思います。

つづく。。。

IotBankでは複数のサービスをリリースしています。それぞれのサービス毎にLP（ランディングページ）を公開しています。

子供見守りGPS まもサーチ

CO2センサー まもセンサー Air

LP（ランディングページ）ではサービスの情報をわかりやすく掲載するだけではなく、サービスの認知や購入になるべく結び付けられるようにAnalyticsの分析から改善や検証をしています。

改善、検証の1つの方法としてABテストを行っています。IotBankでははLP（ランディングページ）のABテストでGoogle Optimize（グーグル・オプティマイズ）を導入しております。

今回はGoogle Optimize（グーグル・オプティマイズ）でのABテストについて触れたいと思います。

ABテストとは

Google Optimize（グーグル・オプティマイズ）に触れる前に簡単にABテストについてです。

ABテストとはLP（ランディングページ）の中でコンテンツの内容をAパターン、Bパターンのように2つ用意し、特定の期間内でどちらが狙った成果を得ることができたかをテストするWebマーケティング施策の一つです。

上記の図のようにコンテンツの内容を一部変更し、どちらのパターンがより狙いの効果が出るのか検証しよい結果のパターンを採用していくというようなテスト方法です。

ABテストは前提としてWebサイト内の小さな改善を積み重ねる施策です。大きなコストをかけずに、ピンポイントで課題のあるコンテンツや構成を見きわめたり改善することができます。

ABテストのポイント

では実際にABテストを行う際のポイントです。ABテストに関するセミナーで学んだことやネットの情報を中心にまとめています。

1 目先の勝率を追わないこと

ABテストの敷居は低いため簡単なボタンの変化などからスタートさせるというような場合も多いかと思います。しかし簡単な内容では大きく差が出ない傾向がABテストにはありますので、目先ではなく大きな目標に向けて改善する内容を選定することからスタートします。
選定した目標によっては長期時間が必要で一定時間経過後に効果が伸びるというような場合も多くありますのでゴールを意識してコツコツ運用することを意識してテストを行います。

例）住宅ローンサイトでのテスト
ユーザーの理解＝メインターゲットのセグメントを理解することがサイトのコンテンツ改善へと直結して行きます。
家が決まっている4割、借り換え4割、家が決まっていない2割とセグメントが存在している場合、全てのユーザーに同じコンテンツ、導入導線を用意しコンバージョンボタンだけを変化させてABテストをしても思ったような効果は得られない場合が多いです。
メインターゲットを絞り込み、メインターゲットに対しての訴求できるコンテンツでABテストを行います。
ターゲットに対して導線分けやコンテンツデザインを修正をするということがその場合は有効です。
ターゲット分析と導線変更でコンテンツの制作量は多くなりコストはかかり一見遠回りではありますが、大きな目標に向けての改善テストとなり長期的に考えると効果は大きくなると予想できます。

2 コンテンツの影響度をはかる

全てのコンテンツが同一の影響を及ぼしているわけではないため、伝えたい内容以外で削除できるコンテントがないか検討します。本当に影響のあるコンテンツを厳選していく削除のABテストが有効です。
コンテンツ削除を行いページをシンプルにすることでフォーカスを絞り込んで閲覧いただく効果が期待できます。ABテストではユーザーの興味のあるコンテンツをより具体的に把握できるようになります。

3 ゴールに近いページから実施する

例）フォームがゴールの場合
フォームに触れずに離脱→フォーム以前の問題
フォームに触れて離脱→フォームの項目
フォームの送信で離脱→エラー
このようにケース分けができるので、それぞれの場合で影響力の高いコンテンツをまず判断します。ゴールに近いところでABテストを行うことで、コンバージョンの要因がわかるようになり、改善に直結したABテストが可能となります。

まとめ

ABテストではターゲットの分析を行い課題を抽出することが第一歩となっています。そしてABテストを活用してゴールに近い部分から予測、改善のABテストをコツコツ繰り返して行くことで大きな結果につながっていきます。

次回はGoogle Optimize（グーグル・オプティマイズ）を活用しての実践編〜その2〜として書いていきたいと思います。

参考リンク

セミナー　　2回に1回は勝つABテストの考え方

https://contentsquare.gaprise.jp/seminar/210720

無料で始めるABテスト

https://www.uncovertruth.co.jp/blog/analyst_blog/cro-webmarketing-analytics-20181121-1/#2-2